DV2599 - Maskininlärning - Blekinge Tekniska Högskola

1. Beslut

Denna kurs är inrättad av dekan 2019-11-12. Kursplanen är fastställd av prefekten vid institutionen för datavetenskap 2023-01-30 och gäller från 2023-01-30.

2. Förkunskapskrav

För tillträde till kursen krävs genomgången kurs i Tillämpad artificiell intelligens, 6 hp.

3. Syfte och innehåll

3.1 Syfte

Det huvudsakliga syftet med kursen är att introducera teori och metod från maskininlärning (ML) samt praktiska tillämpningar inom informationsutvinning (data mining). Den teknologiska utvecklingen har bidragit till att vi blivit mer beroende av databaser för lagring och databehandling. Antalet databaser och mängden innehåll i dessa växer snabbt. I takt med denna tillväxt blir det svårare att manuellt finna användbar information från den stora mängden data. Vi behöver därför semiautomatiska och automatiska metoder för att använda, aggregera, analysera och extrahera sådan information. Metoder och tekniker från maskininlärning, informationsutvinning, och artificiell intelligens har visat sig användbara för detta syfte.

3.2 Innehåll

Kursen omfattar följande teman:

Introduktion till maskininlärning: motivation, mål, teori och existerande metoder samt forsknings- och tillämpningstrender.
Utveckling av maskininlärning: planering, design, data pre-processing, implementering, och testning av maskininlärning.
Inriktningar och områden inom maskininlärning: övervakad inlärning (supervised learning), oövervakad inlärning (unsupervised learning), klassificering, meta-inlärning (meta learning), multi-instansinlärning (multi-instance learning).
Utvärdering av maskininlärning: ansatser, metoder, och mått för utvärdering och validering av maskininlärning.

4. Lärandemål

Följande lärandemål examineras i kursen:

4.1. Kunskap och förståelse

Efter genomförd kurs ska studenten kunna:

självständigt definiera och beskriva lösningsbara/hanterbara inlärningsproblem.
översiktligt och självständigt förklara och sammanfatta resultat från tillämpning och utvärdering av maskininlärning.

4.2. Färdighet och förmåga

Efter genomförd kurs ska studenten kunna:

självständigt modifiera eller producera och använda maskininlärning för olika typer av inlärningsproblem.
självständigt planera och verkställa experiment för utvärdering och jämförelse av lärande system.

4.3. Värderingsförmåga och förhållningssätt

Efter genomförd kurs ska studenten kunna:

självständigt värdera och jämföra lärande system för olika typer av inlärningsproblem givet olika utvärderingskriterier.
självständigt värdera och jämföra metoder och mått för utvärdering av maskininlärning.

5. Läraktiviteter

Utbildningen består av föreläsningar och laborationer som tillsammans bidrar till teoretisk förståelse och praktisk förmåga att analysera, implementera, och utvärdera maskininlärning. Laborationerna syftar till att introducera plattformar, verktyg, och programmeringsgränssnitt för maskininlärning. Den tillägnade kunskapen sätts på prov och fördjupas ytterligare genom inlämningsuppgifter, där ämnesrelaterade problem skall lösas antingen genom implementation av lärande system eller med hjälp av existerande verktyg. Kursen innehåller ett individuellt projekt i vilket ett ämnesrelaterat problem ska definieras teoretiskt och lösas praktiskt. Lösningen eller lösningarna ska utvärderas/jämföras experimentellt och resultatet ska sammanfattas och analyseras i en projektrapport. Inlämningsuppgifterna och projektet ska utföras individuellt. Kursen använder en läroplattform för publicering av kursmaterial och information. I plattformen bedrivs även studentdiskussioner, inlämning av uppgifter och förmedling av återkoppling.

6. Bedömning och examination

Examinationsmoment för kursen

Kod	Benämning	Omf.	Betyg
2210	Inlämningsuppgift 1	1,0 hp	GU
2220	Inlämningsuppgift 2	1,0 hp	GU
2230	Projektuppgift	4,0 hp	AF

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

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

HUVUDLITTERATUR

Machine Learning: The Art and Science of Algorithms that Make Sense of Data Författare: Peter Flach
Förlag: Cambridge University Press Utgiven: 2012, Antal sidor: 396
ISBN13: 9781107096394 REFERENSLITTERATUR

1. 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

2. Neural Networks and Deep Learning: A Textbook
Author: Charu C. Aggarwal
Publisher: Springer International Publishing AG
Published: 2018, Number of Pages: 512
ISBN: 978-3-319-94462-3

3. Probability and Statistics for Engineers and Scientists, Ninth edition / International edition Författare: Walpole, R., Myers, R., Myers, S., Ye, K. Förlag: Pearson
Utgiven: 2011, Antal sidor: 816

ISBN10: 0321748239
ISBN13: 9780321748232

Detta är inte ett juridiskt dokument. Vill du ha en kopia av det juridiska beslutet kring denna kursplan kontakta registrator vid Blekinge Tekniska Högskola.