Sök i kursutbudet

Använda sökfunktionen för att hitta i Chalmers utbildningsutbud, både vad gäller kurser och program. När det finns en kurshemsida visas en hus-symbol som leder till denna sida. Tänk på att välja det läsår du vill se information om.
Sök program och utbildningsplaner


Institutionernas kurser för doktorander

​​​​​​​​​​​​​​​​​​​​

Kursplan för

Läsår
TDA233 - Algoritmer för maskininlärning och slutledning  
Algorithms for machine learning and inference
 
Kursplanen fastställd 2020-02-11 av programansvarig (eller motsvarande)
Ägare: MPALG
7,5 Högskolepoäng
Betygskala: TH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd
Utbildningsnivå: Avancerad nivå
Huvudområde: Datateknik, Informationsteknik
Institution: 37 - DATA- OCH INFORMATIONSTEKNIK


Undervisningsspråk: Engelska
Anmälningskod/tillfälleskod: 02135
Sökbar för utbytesstudenter: Nej
Blockschema: B
Max antal deltagare: 120
Endast studenter med kurstillfället i programplan

Modul   Poängfördelning   Tentamensdatum
Lp1 Lp2 Lp3 Lp4 Sommarkurs Ej Lp
0120 Inlämningsuppgift 3,0hp Betygskala: TH   3,0hp    
0220 Tentamen 4,5hp Betygskala: TH   4,5hp   16 Mar 2021 em J,  10 Jun 2021 fm J,  25 Aug 2021 fm J

I program

MPHPC HÖGPRESTERANDE DATORSYSTEM, MASTERPROGRAM, Årskurs 1 (valbar)
MPDSC DATA SCIENCE OCH AI, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
MPALG DATAVETENSKAP - ALGORITMER, PROGRAMSPRÅK OCH LOGIK, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
MPCAS KOMPLEXA ADAPTIVA SYSTEM, MASTERPROGRAM, Årskurs 2 (valbar)
MPCAS KOMPLEXA ADAPTIVA SYSTEM, MASTERPROGRAM, Årskurs 1 (valbar)
MPSYS SYSTEMTEKNIK, REGLERTEKNIK OCH MEKATRONIK, MASTERPROGRAM, Årskurs 1 (valbar)
MPCSN DATORER, NÄTVERK OCH SYSTEM, MASTERPROGRAM, Årskurs 1 (valbar)

Examinator:

Morteza Chehreghani

  Gå till kurshemsida


Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

För att kunna följa kursen krävs
- 7,5 hec programmeringskunskaper (exempelvis C, Java eller Haskell),
- erfarenhet av Python önskvärt men inget krav,
- 7,5 hec datastrukturer eller en grundläggande kurs i algoritmer
- 7,5 hec grundläggande sannolighetsteori
- 7,5 hec analys
Kursen TDA233 får inte inkluderas i en examen som innehåller (eller som är baserad på en annan examen som innehåller) kursen DAT340.

Syfte

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 (teckenigenkänning, eller att förutsäga om en ny kund är kreditvärdig etc.) och i expertsystem (till exempel 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.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Kunskap och förståelse:
  • förklara en representativ uppsättning av tillgängliga metoder för maskininlärning
Färdighet 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

Innehåll

  • Övervakat Lärande: Bayes-klassificerare, perceptron-baserade metoder, support-vektormaskiner, regression.
  • Oövervakad inlärning: Algoritmer för klustring, EM-algoritmen, mixture-modeller, model selection, kernel-metoder.
  • Djup maskininlärning, exemelvis standard neuronala nät, CNN, RNN
  • Maximum likelihood estimation och Baysian methods

Organisation

Föreläsningar och inlämningsuppgifter.

Litteratur

Information om litteratur ges på kursens hemsida före kursstart.

Examination inklusive obligatoriska moment

För att bli godkänd på kursen krävs godkänd skriftlig tentamen samt godkända inlämningsuppgifter. För att få högre betyg för hela kursen krävs att studenten dessutom fått ett högre viktat medelvärde på betygen av de olika momenten i kursen.


Sidansvarig Publicerad: må 13 jul 2020.