Text

Kursplan - Tillämpad maskininlärning

Omfattning

7.5 hp

Kurskod

DVA263

Giltig från

Hösttermin 2026

Utbildningsnivå

Grundnivå

Successiv fördjupning

G1F (Grundnivå, har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav)

Huvudområde(n)

Datavetenskap

Organisation

Institutionen för datavetenskap och datateknik

Fastställd

2022-01-24

Reviderad

2025-11-03

Litteraturlistor

Kurslitteraturen är preliminär till 8 veckor innan kursstart. Kurslitteratur kan vara giltig över flera terminer.

    • Beslutsdatum: 2023-09-11
    • Senaste uppdatering: 2025-05-27

    Böcker

    Géron, Aurélien

    Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems

    ISBN: 9781492032649

    LIBRIS-ID: kwlh71x0hxh5fbf2

    Second edition, Sebastopol, CA, O'Reilly Media, Inc., xxv, 819 pages

    Obligatorisk

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 besked om riktat pedagogiskt stöd från MDU kan ansöka om anpassning vid examinationen. Det är examinatorn som beslutar om eventuell anpassning utifrån beskedet och förutsättningarna i övrigt.

Misstankar om vilseledande vid examination (fusk) anmäls, enligt högskole-förordningen, till 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 för viss tid.

Betyg

Ges något av betygen 5, 4, 3

Övergångsbestämmelser och övriga föreskrifter

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