DV2638 - Maskininlärning - Blekinge Tekniska Högskola

1. Beslut

Denna kurs är inrättad av dekan 2023-05-03. Kursplanen är fastställd av prefekten vid institutionen för datavetenskap 2025-03-13 och gäller från 2025-03-13.

2. Förkunskapskrav

För tillträde till kursen krävs avklarade hp i programmering, 5 hp, datastrukturer och algoritmer, 5 hp samt matematisk statistik eller sannolikhetsteori, 5 hp. Engelska 6.

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).

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 förbehandling (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:

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

4.2. Färdighet och förmåga

Efter genomförd kurs ska studenten kunna:

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

4.3. Värderingsförmåga och förhållningssätt

Efter genomförd kurs ska studenten kunna:

utvärdera och jämföra lärande system för olika inlärningsproblem med hänsyn till mänskliga, ekonomiska och samhälleliga fördelar.
värdera och jämföra metoder och åtgärder för utvärdering av lärande system med avseende på etiska aspekter och tillförlitlighet.

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. 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
2510	Inlämningsuppgift 1	1 hp	GU
2520	Inlämningsuppgift 2	1 hp	GU
2530	Projekt	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

Machine Learning: The Art and Science of Algorithms that Make Sense of Data
Author: Peter Flach
Publisher: Cambridge University Press
Published: 2012, Number of Pages: 396
ISBN: 978-1-107-09639-4
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
Machine Learning Engineering
Autor: Andriy Burkov
Publisher: True Positive Inc.; standardutgåva edition (5 Sept. 2020)
Published: 2020, Number of Pages: 310
ISBN-10: ‎ 1999579577
ISBN-13: ‎ 978-1999579579
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
Introduction to Machine Learning with Python: A Guide for Data Scientists
Author: Andreas C. Muller and Sarah Guido
Publisher: O'Reilly Media; 1st edition
Published: 2016, Number of Pages: 398
ISBN-10: ‎ 1449369413
ISBN-13: ‎ 978-1449369415

10. Övrigt

Denna kurs ersätter kursen DV2599