Kursplan - Tillämpad maskininlärning

Syfte

Kursens mål är att ge kunskap om maskininlärningstekniker med fokus på dess tillämpning som inkluderar data, funktionsteknik, maskininlärning och djupinlärningsmodeller samt modellutvärdering.

Lärandemål

Studenten ska efter avslutad kurs kunna:  

1. beskriva de grundläggande behoven, utmaningarna och begränsningarna för data- och funktionsteknik,  
2. visa förmågan att analysera trade-offs mellan olika maskininlärningsmodeller och
3. kunna beskriva och förstå de grundläggande teknikerna för utvärdering och förbättring av maskininlärningsmodeller.

Innehåll

Modul 1: Inlärning av data.  
Modul 2: Att representera data och funktionalitet. 
Modul 3: Övervakad maskininlärning : Naive Bayes Classifiers, Ensembles of Decision Trees (RF) och Support Vector Machines.  
Modul 4: Neurala nätverk och Deep learning.  
Modul 5: Oövervakad maskininlärning: PCA, t-SEN, Agglomerative Clustering, DBSCAN.
Modul 6: Utvärdering och förbättring av modeller, samt etiska aspekter.

Särskild behörighet

Diskret matematik 7,5 hp, Objektorienterad programmering 7,5 hp, Maskininlärningskoncept 7,5 hp, Vektoralgebra, grundkurs 7,5 hp eller motsvarande.

Examination

Inlämningsuppgift (INL1), Jämförande av prestanda för olika övervakade modeller, 1,5 hp, examinerar lärandemål 2, betyg Underkänd (U) eller Godkänd G).
Inlämningsuppgift (INL2), Problemlösning med oövervakat lärande, 1 hp, examinerar lärandemål 2, betyg Underkänd (U) eller Godkänd (G). 
Inlämningsuppgift (INL3), Neurala nätverk och djupinlärning, 2 hp, examinerar lärandemål 2, betyg Underkänd (U) eller Godkänd (G). 
Projekt (PRO1), Projektrapport, 3 hp, examinerar lärandemål 1-3, betyg Underkänd (U), 3, 4 eller 5.

En student som har ett intyg från MDU avseende sin funktionsnedsättning har möjlighet att anmäla önskemål om anpassning vid salstentamina eller annan examinationsform i enlighet med Regler och anvisningar för examination på grundnivå och avancerad nivå vid Mälardalens högskola (2020/1655). Det är examinator som, utifrån det intyg som utfärdats, beslutar om eventuell anpassning och i så fall vilken anpassning som ska gälla.

Misstankar om vilseledande vid examination (fusk) anmäls, enligt högskoleförordningen, till universitetets rektor och prövas av universitetets disciplinnämnd. Om disciplinnämnden anser att en student gjort sig skyldig till en disciplinförseelse fattar nämnden beslut om en disciplinär åtgärd, vilket är varning eller avstängning.

Betyg

Med beröm godkänd, icke utan beröm godkänd, godkänd, underkänd

Övergångsbestämmelser och övriga föreskrifter

Kursen överlappar 1,5 hp med DVA476 Deep learning för industriell bildbehandling och DVA453 Maskininlärning med Big Data.