Kursplan

Kursens huvudsyfte är att introducera studenterna till avancerade metoder för maskininlärning och informationsutvinning. Den nuvarande tekniska utvecklingen och integrationen av artificiell intelligens och sakernas internet (IoT) kräver nya och intelligenta lösningar för att behandla samt analysera heterogena och flerdimensionella data som kommer från flera olika källor. För att klara av dessa nya utmaningar krävs hybrida och avancerade tekniker, t.ex. semiövervakad inlärning (semi-supervised learning), data stream mining med flera. Dessutom är det viktigt att dessa modeller är enkla att förstå och analysera (Förklarlig AI) samt inte behandlar individer orättvist (etik och rättvisa). Kursen ger studenterna nödvändiga färdigheter om dessa metoder och breddar deras kunskaper för att förbereda dem för att hantera verkliga industriella utmaningar.

Kursen omfattar följande ämnen:
• översikt över rensning, reducering och omvandling av data samt dimensioneringsminskning,
• introduktion av problemet med utvinning av associationsmönster och identifiering av relationer mellan olika attribut,
• introduktion av begreppet semi-övervakad inlärning och dess möjligheter att förbättra klassificeringsprocessen,
• översikt över analys av utfall och dess tillämpning inom olika tillämpningsområden samt metoder för validering av utfall,
• översikt över processer och metoder som gör det möjligt för människor att förstå och lita på de resultat som skapas av AI-modeller, samtidigt som modellens förväntade effekter och potentiella bias beskrivs,
• introduktion av problemet med partiskhet i data och modellfel som kan leda till att modellerna behandlar individer orättvist,
• översikt över algoritmer för informationsutvinning av strömmande data och utmaningar i samband med dataströmmar, t.ex. stora volymer och förändringar i dataströmmens struktur.

Efter genomförd kurs ska studenten kunna:

• definiera och beskriva avancerade problem som kan lösas genom maskininlärning och datautvinning
  
• välja lämpliga metoder för maskininlärning och datautvinning för de ML-uppgifter som bestäms av de definierade problemen
  
• förklara och sammanfatta resultaten av tillämpningen och utvärderingen av de studerade problemen

F**ärdighet och förmåga**

Efter genomförd kurs ska studenten kunna:

• identifiera de viktigaste komponenterna i pipeline för maskininlärning och informationsutvinning och beskriva hur de är relaterade till varandra
  
• utforma och utföra experiment med beaktande av etiska aspekter som rör problem med maskininlärning och informationsutvinning
  
• utforma och genomföra experiment för att utvärdera och jämföra avancerade metoder för maskininlärning och datautvinning

Efter genomförd kurs ska studenten kunna:

• utvärdera och jämföra prestandan hos olika lösningar för maskininlärning och informationsutvinning med hjälp av lämpliga utvärderingskriterier
  
• identifiera och resonera om potentiella källor till partiskhet när man bygger modeller för maskininlärning
  
• analysera och tolka experimentella resultat från utvärderingen av lösningar för maskininlärning och informationsutvinning