Algoritmer för maskininlärning och slutledning

Kursen kan ingå i följande program:

1. Computer Science, masterprogram (N2COS)
2. Software Engineering and Management, masterprogram (N2SOF)
3. Applied Data Science, masterprogram (N2ADS)
4. Game Design & Technology masterprogram (N2GDT)
5. Matematiska vetenskaper, masterprogram (N2MAT)

Kursen ges även som fristående kurs vid Göteborgs Universitet.

För tillträde till kursen krävs att studenten ska ha en kandidatexamen.

Specifikt krävs följande kunskaper:

• 7,5 hp i programmering (t.ex. DIT440 Introduktion till funktionell programmering, DIT043 Objektorienterad programmering, DIT012 Imperativ programmering med grundläggande objektorientering, eller motsvarande)
• 7,5 hp i datastrukturer (t.ex. DIT961 Datastrukturer, DIT181 Datastrukturer och algoritmer, eller motsvarande)
• 7,5 hp i grundläggande sannolikhetsteori och statistik (t.ex. MSG810 Matematisk statistik och diskret matematik, DIT861 Statistiska metoder för Data Science, eller motsvarande) - 7,5 hp i linjär algebra (t.ex. MMGD20 Linjär algebra, eller motsvarande)
• 7,5 hp i flervariabelanalys.

Följande kunskapsnivå i Engelska krävs: Engelska 6/Engelska nivå 2 eller motsvarande från ett erkänt internationellt test, t.ex. TOEFL, IELTS.

I kursen diskuteras teori och tillämpning av grundläggande algoritmer för maskininlärning och slutledning, utifrån ett AI perspektiv. I detta sammanhang betraktar vi ”lärande” som slutledning från givna data eller erfarenheter som resulterar i en viss modell som generaliserar dessa uppgifter. Slutledning är att bestämma de önskade svaren eller åtgärder baserade på modellen.

Algoritmer av detta slag används vanligen i till exempel klassificeringsuppgifter (t.ex. teckenigenkänning, eller att förutsäga om en ny kund är kreditvärdig) och i expertsystem (t.ex., för medicinsk diagnostik). Ett nytt och kommersiellt viktig område är ”data mining”, där algoritmer används för att automatiskt identifiera speciellt intressant information och speciella relationer i stora kommersiella eller vetenskapliga databaser.

Kursen avser att ge en god förståelse för detta tvärvetenskapliga område, med tillräckligt djup för att använda och utvärdera tillgängliga metoder, och för att kunna följa aktuell vetenskaplig litteratur inom området. Under kursens gång kan vi diskutera eventuella problem med maskininlärningsmetoder, till exempel bias i träningsdata och säkerhet för autonoma agenter.

Följande begrepp behandlas i kursen:

• Bayesiansk inlärning: likelihood, prior, posterior,
• Övervakad inlärning: Bayes-klassificerare, Logistic regression, Deep Learning (standard and CNN),
• Supportvektormaskiner, regressionsmodeller, K-nn-modeller,
• Oövervakad inlärning: Algoritmer för klustring, EM-algoritmen, mixture-modeller,
• Kernel-metoder,
• Temporal machine learning models (exemelvis RNN)

Efter godkänd kurs ska studenten kunna:

Kunskap och förståelse

• förklara en representativ uppsättning av tillgängliga metoder för maskininlärning

Färdigheter och förmåga

• implementera och analysera algoritmer för maskininlärning
• tillämpa sunda matematiska principer för att på vetenskaplig grund dra slutsatser och forma hypoteser från empiriska data och modeller

Värderingsförmåga och förhållningssätt

• välja lämpliga metoder och tillämpa dem på specifika inferensproblem, utifrån en god förståelse av vetenskaplig litteratur inom området
• utvärdera metoderna kvalitativt och kvantitativt, och identifiera deras styrkor såväl som deras begränsningar

Föreläsningar samt inlämningsuppgifter.

Undervisningsspråk: engelska

Kursen examineras med inlämningsuppgifter och skriftlig salstentamen.

Om en student som har underkänts två gånger på samma examinerande moment önskar byta examinator inför nästa examinationstillfälle ska en sådan begäran bifallas om det inte finns särskilda skäl däremot (6 kap. 22 § HF).

Om en student har fått besked om pedagogiskt stöd från Göteborgs universitet med rekommendation om anpassad examination och/eller anpassad examinationsform kan examinator, i det fall det är förenligt med kursens lärandemål och förutsatt att inte orimliga resurser krävs, besluta att bevilja studenten anpassad examination och/eller anpassad examinationsform.

Om en kurs har avvecklats eller genomgått en större förändring ska studenten erbjudas minst två examinationstillfällen, utöver ordinarie examinationstillfälle. Dessa tillfällen fördelas under en tid av minst ett år, dock som längst två år efter det att kursen avvecklats/förändrats. Vad gäller praktik och verksamhetsförlagd utbildning (VFU) gäller motsvarande, men med begränsning till endast ett ytterligare examinationstillfälle.

Om en student har fått besked om att denne uppfyller kraven för att vara student vid Riksidrottsuniversitetet (RIU-student) har examinator rätt att besluta om anpassning vid examination, om detta görs i enlighet med Lokala regler gällande RIU-studenter vid Göteborgs universitet

Delkurser

1. Skriftlig salstentamen, 4,5 hp
   Betygsskala: Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3) och Underkänd (U)
2. Inlämningsuppgifter, 3 hp
   Betygsskala: Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3) och Underkänd (U)

På kursen ges något av betygen Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3) och Underkänd (U).

För att få godkänt på kursen måste samtliga obligatoriska moment vara godkända. För att få ett högre betyg än godkänt så krävs ett högre viktat genomsnitt på de obligatoriska momenten.

Kursen utvärderas genom möten, både under och efter kursen, mellan lärare och studentrepresentanter. Ett anonymt skriftligt frågeformulär skickas även ut till studenterna efter kursens slut. Resultaten av utvärderingarna används för att förbättra kursinnehållet och som indikation till vilka delar som skulle kunna läggas till, tas bort, förbättras eller ändras.

Kursen är samläst med Chalmers.

Kursen ersätter kursen DIT380, 7,5 hp. Den här kursen kan inte ingå i en examen som innehåller DIT380. Den kan inte heller ingå i en examen som bygger på en annan examen där DIT380 ingår.

Den här kursen kan inte ingå i en examen som innehåller DIT866.