DV2640 - Avancerad maskininlärning - Blekinge Tekniska Högskola

1. Beslut

Denna kurs är inrättad av dekan 2023-05-03. Kursplanen är fastställd av prefekten vid institutionen för datavetenskap 2025-09-12 och gäller från 2025-09-12.

2. Förkunskapskrav

För tillträde till kursen krävs genomgångna kurser i Tillämpad artificiell intelligens, 6 hp samt Maskininlärning, 6 hp. Engelska 6.

3. Syfte och innehåll

3.1 Syfte

Huvudsyftet med kursen är att introducera studenter till avancerade metoder inom maskininlärning och datautvinning. Den nuvarande teknologiska utvecklingen och integrationen av AI och Internet of Things (IoT) kräver nya och intelligenta lösningar för att bearbeta och analysera heterogen- och flerdimensionelldata från flera källor. För att hantera dessa nya utmaningar behövs hybrida och avancerade tekniker, t.ex. semi-övervakad inlärning, federerad inlärning, strömmande datautvinning och många andra. Kursen kommer att behandla sådana metoder och ge studenterna nödvändiga färdigheter, bredda deras kunskap och förbereda dem för att möta verkliga industriella utmaningar.

3.2 Innehåll

Kursen omfattar följande områden, med en föreläsning per område:

Databearbetning: fördjupad översikt av tekniker för datarengöring, datatransformation, reduktion och dimensionsreduktion, med fokus på deras inverkan på modellprestanda och generaliserbarhet.
Utvinning av associeringsregler: introduktion till problemet med att identifiera relationer mellan olika attribut.
Semi-övervakad inlärning: introduktion till konceptet och dess potential att förbättra klassificeringsprocesser.
Avvikelseanalys: översikt av metoder för att identifiera avvikelser och deras tillämpning inom olika områden, samt metoder för validering av avvikelser.
Förklarbar AI: översikt av processer och metoder som gör att människor kan förstå och lita på resultat som genereras av AI-modeller, samt beskriva modellens förväntade påverkan och potentiella bias.
Bias och rättvisa: introduktion till problemet med snedvridningar i data och modellfel som kan leda till orättvis behandling.
Strömmande datautvinning: översikt av algoritmer för dataflöden och utmaningar relaterade till strömmar, såsom stora datavolymer och konceptdrift.

4. Lärandemål

Följande lärandemål examineras i kursen:

4.1. Kunskap och förståelse

Efter genomförd kurs ska studenten kunna:

definiera och beskriva avancerade problem inom maskininlärning (ML) och datautvinning
välja en lämplig ML- och datautvinningsmetod för givna problem
förklara och sammanfatta resultat från tillämpning och utvärdering av studerade problem

4.2. Färdighet och förmåga

Efter genomförd kurs ska studenten kunna:

identifiera nyckelkomponenter i ML- och datautvinningsprocessen och beskriva deras samband
designa och genomföra experiment med hänsyn till etiska aspekter kopplade till ML och datautvinning, samt utvärdera och jämföra metoder

4.3. Värderingsförmåga och förhållningssätt

Efter genomförd kurs ska studenten kunna:

utvärdera och jämföra prestanda hos olika ML- och datautvinningslösningar med hjälp av relevanta utvärderingskriterier
identifiera bias i ML-modeller och kritiskt tolka experimentella resultat

5. Läraktiviteter

Kursens innehåll behandlas i föreläsningar. Studenter förväntas även inhämta ytterligare kunskap genom självstudier av relevant litteratur. Seminarier hålls där studenter presenterar sina idéer och slutliga lösningar för användning av ML och datautvinning i verkliga problem.

Studenterna visar sina kunskaper genom att skriva en projektplan där de motiverar sitt projekt och diskuterar implementeringsdetaljer. Efter godkänd projektplan designar och utvecklar studenterna den föreslagna lösningen, utvärderar och jämför dess prestanda, samt analyserar och tolkar resultaten.

6. Bedömning och examination

Examinationsmoment för kursen

Kod	Benämning	Omf.	Betyg
2605	Seminarium	1 hp	GU
2615	Projektplan	1 hp	GU
2625	Projektuppgift	4 hp	AF

Kursen bedöms med betygen A Utmärkt, B Mycket bra, C Bra, D Tillfredställande, E Tillräckligt, FX Underkänd, något mer arbete krävs, F Underkänd.

Examinator har möjlighet att muntligen följa upp skriftliga examinationer.

I kurstillfällets information inför kursstart framgår i vilka examinationsmoment som kursens lärandemål examineras samt gällande bedömningsgrunder.

Examinator kan, efter samråd med högskolans FUNKA-samordnare, fatta beslut om anpassad examinationsform för att en student med varaktig funktionsvariation ska ges en likvärdig examination jämfört med en student utan funktionsvariation.

7. Kursvärdering

Kursvärdering ska göras i enlighet med BTH:s beslut om frågeställning i kursvärderingar och beslut om process för hantering och uppföljning av kursvärderingar.

8. Begränsningar i examen

Kursen kan ingå i examen men inte tillsammans med annan kurs vars innehåll, helt eller delvis, överensstämmer med innehållet i denna kurs.

9. Kurslitteratur och övriga lärresurser

Data Mining: The Textbook
Author: Charu C. Aggarwal
Publisher: Springer International Publishing Switzerland
Published: 2015, Number of Pages: 746
ISBN: 978-3-319-14141-1

Semi-Supervised and Unsupervised Machine Learning: Novel Strategies
Author: Albalate, Amparo; Minker, Wolfgang
Publisher: Springer International Publishing Switzerland
Published: 2011, Number of Pages: 256
ISBN: 978-1-848-21203-9

Molnar, C. (2022). Interpretable Machine Learning:
A Guide for Making Black Box Models Explainable (2nd ed.).
christophm.github.io/interpretable-ml-book/