Hoppa till innehållet


KURSPLAN

Maskininlärning och mönsterigenkänning 7,5 högskolepoäng

Machine Learning and Pattern recognition
Grundnivå, D0033E
Version
Kursplan gäller: Vår 2022 Lp 3 - Tills vidare
Vald version visar för vilken termin och läsperiod som denna kursplanen gäller för. Senaste version visas först.


Utbildningsnivå
Grundnivå
Fördjupningskod
G1F
Betygskala
U G VG
Ämne
Datalogi
Ämnesgrupp (SCB)
Datateknik
Ingår i huvudområde
Datateknik

Behörighet

Grundläggande behörighet samt Kunskaper inom logik, mängdlära och grafteori motsvarande M0009M Diskret matematik. Grundläggande kunskap i programmering, exempelvis D0009E Introduction to Programming eller D0028E Programmering och digitalisering. Kunskaper i engelska, motsvarande Engelska 6.


Urval

Urvalet grundas på 1-165 högskolepoäng.



Mål/Förväntat studieresultat

  Efter avslutad kurs ska studenten ha förmågan att:

  • Djupgående förståelse av grundläggande metoder och teorier i ämnet
  • Välja relevanta metoder för ett givet problem i ämnet
  • Tillämpa inhämtad kunskap i nya problemställningar
  • Uppvisa förmåga att kritiskt utvärdera och jämföra olika modeller för artificiell intellighens och lärande algoritmer för olika problemställningar och utfallskaraktäristik  

Kursinnehåll

Kursen går längre i teorin och matematiska metoder för sub-symbolisk AI, företrädesvis maskininlärning och mönsterigenkänning. Kursen ger en överblick över både grundläggande och mer djupgående metoder maskininlärning och mönsterigenkänning, såsom K-NN och varianter därav, "support vector machines", beslutsträd och "random forests", " Naïve Bayes" och Bayesianska nätverk, förväntningsmaximering, evolutionära metoder, instansbaserat lärande, förstärkt lärande och metoder för utvärdering av läranderesultat. Vidare introduceras koncept och metoder som krävs för att designa, träna och validera neurala nätverk. Metoder för förbättrad maskininlärning och mönsterigenkänning kommer också behandlas övergripande, så som "multiple classificer combination", ensamble-metoder, "baggin", "boosting" och utökade metoder.

Slutligen kommer metoder för oövervakad inlärning att behandlas, så som klustring (k-medelvärde, hierarkisk, DBSCAN), PCA, LDA och andra mönsterigenkänningstekniker. 


Genomförande
Kursens undervisningsspråk samt undervisningsform anges för varje kurstillfälle och framgår av kurssidan på Luleå tekniska universitets hemsida.

Föreläsningar i form av korta videor (6-10 minuter) gällande specifikt innehåll relaterat till modulen samt korta frågor för reflektion kommer att användas för att säkerställa kunskap. Veckovisa möten kommer att hållas där deltagare kan ställa frågor och få hjälp av lärare. Projekt relaterade till modulen ska levereras mot modulens slut och är en stior del av studenternas arbete. Projekt kommer att delas i flera uppgifter, där varje uppgift delas ut till studenterna i slutet av modulen. 

  Deltagare rekommenderas att:

  • Ha internetuppkoppling (minst 0,5Mbps), mikrofon, webbkamera
  • Använda sin egen dator under kursen
  • Deltagarna behöver administratörsrättigheter på sin dator för att kunna installera och använda nödvändiga verktyg under kursen. 

Examination
Om det finns beslut om särskilt pedagogiskt stöd, i enlighet med Riktlinjen Studentens rättigheter och skyldigheter vid Luleå tekniska universitet, finns möjlighet till anpassad eller alternativ examinationsform.

 Bedömning av skriftliga frågor för reflektion. Projektarbete med muntlig presentation. 


Examinator
Marcus Liwicki

Litteratur. Gäller från Vår 2022 Lp 3 (Kan ändras fram till 10 veckor innan studiestart)
• Deep Learning. I. Goodfellow, Y. Bengio and A. Courville, MIT Press, 2016;
http://www.deeplearningbook.org
• Introduction to machine learning “fourth edition” by Ethem Alpaydin, 2020

Kursgivare
Institutionen för system- och rymdteknik (SRT)

Moduler
KodBenämningBetygskalaHpTillståndGäller frånTitel
0001Projektarbete med muntlig presentationG U 3 4 54.50ObligatoriskV22
0002Reflekterande frågorU G#3.00ObligatoriskV22

Studiehandledning
Studiehandledning finns i lärplattformen Canvas före kursstart. Du som är ny student hittar all information du behöver på www.ltu.se/nystudent. Du som redan studerar vid Luleå tekniska universitet hittar information om kursstart via schema på studentwebben alternativt via kursrummet i lärplattformen. Du når lärplattformen via Mitt LTU.

Kursplanen fastställd
av Jonny Johansson, HUL SRT 2021-02-17

Reviderad
av Jonny Johansson, HUL SRT 2021-06-16