Tillämpad maskininlärning
Om utbildningen
Kursen ger en introduktion till tekniker och teorier inom maskininlärning, med ett fokus på dess praktiska tillämpningar.
Under kursens gång kommer ett urval av ämnen att genomgås inom övervakad (supervised) inlärning, exempelvis linjär klassificering och regression, eller olinjära modeller som neurala nätverk, samt inom oövervakad (unsupervised) inlärning, till exempel klustringsmetoder.
De typiska användningsfallen och begränsningarna hos dessa algoritmer kommer att diskuteras, och deras implementation kommer att undersökas med hjälp av programmeringsuppgifter. Metodologiska frågor som rör utvärdering av maskininlärningsbaserade system kommer också att diskuteras, samt några av de etiska frågor som kan dyka upp när man tillämpar den typen av teknologier.
Det kommer att vara ett starkt fokus på de användningsområden i verkligheten där maskininlärning kan tillämpas. Användningen av maskininlärningskomponenter i praktiska tillämpningar kommer att exemplifieras, och realistiska scenarion kommer att studeras i områden som t.ex. e-kommers, business intelligence, textanalys, bildanalys, eller bioinformatik. Vikten av konstruktion och urval av särdrag, samt deras pålitlighet, kommer att diskuteras.
Behörigheter och urval
Förkunskapskrav
För tillträde till kursen krävs att studenten har en examen på kandidatnivå inom något ämne, eller har minst 90 hp i datavetenskap, software engineering eller motsvarande. Specifikt krävs:
\- 7.5 hp programmering,
\- 7.5 hp från en introduktionskurs i data science eller AI, t.ex. DIT852 eller DIT405,
\- 7.5 hp analys eller matematisk modellering, t.ex. DIT856,
\- 7.5 hp sannolikhetsteori, statistik eller matematisk statistik, t.ex. DIT862. Alternativt att studenten har klarat både av dessa följande kurser: DIT847 och DIT278 (eller motsvarande).
Följande kunskapsnivå i Engelska krävs; Engelska 6/Engelska B eller motsvarande från ett erkänt internationellt test, t.ex. TOEFL, IELTS.
Urval
Högskolepoäng, max 165 hp.
