Introduktion til Machine Learning (IntroML)

Kursusindhold

Dette grundlæggende kursus i machine learning har fokus på en grundig forståelse af det teoretiske grundlag for moderne machine learning. Kurset strækker sig over to blokke og eksemplificerer det teoretiske fokus med anvendelser på komplekse datasæt og implementation af machine learning algoritmer igennem et større projektforløb. 

Kurset introducerer gennem projektarbejde og praktiske øvelser de studerende til moderne machine learning teori, værktøjer, biblioteker og infrastruktur.

Engelsk titel

Introduction to Machine Learning (IntroML)

Uddannelse

Bacheloruddannelsen i machine learning og datavidenskab

Målbeskrivelse


Viden om

  • generelle principper og faldgruber i machine learning

  • udvalgte machine learning teknikker og deres matematiske fundament

  • introduktion til statistisk læringsteori

  • forskellige inferensparadigmer (frekventist, bayesisk)

  • diskriminative vs. generative modeller

  • modelselektion

  • analyse af generalisering

  • grundlæggende neurale netværk og deep learning

  • optimeringsalgoritmer
     

Færdigheder i

  • grundlæggende unsupervised learning som eksempelvis clustering

  • grundlæggende supervised learning som eksempelvis lineære og ikke-lineære teknikker til klassifikation og regression

  • udføre data mining og mønstergenkendelse med machine learning teknikker

  • dimensionsreduktion (videre end PCA), visualisering og evaluering af resultater

  • designe neurale netværk og dybe neurale modeller

  • anvende optimeringsalgoritmer at løse machine learning problemer

  • vise generaliseringsgrænser for forventet prædiktionsfejl

  • identificere og håndtere faldgruber i machine learning

  • implementere machine learning algoritmer
     

Kompetencer til

  • identificere og beskrive anvendelser af machine learning

  • anvende machine learning i praksis fra identifikation af relevant metode, eksperimentdesign, udføre beregninger og analysere resultater

  • skriftligt dokumentere og beskrive arbejdet med machine learning og analysere resultater

  • benytte udvalgte moderne machine learning softwarebiblioteker

  • sammenligne og udvælge machine learning algorimer til specifikke tasks

  • formalisere og matematisk præcist analysere machine learning problemstillinger

Kurset vil blande forelæsninger, klasseundervisning, gruppeøvelser, individuelle opgaver og projektarbejde.

Se Absalon for kursuslitteratur.

Akademiske forudsætninger svarende 1. år af uddannelsen i Machine learning og datavidenskab. I praksis betyder det som minimum:

1. Lineær algebra svarende til eksempelvis kurset Lineær Algebra i datalogi (LinAlgDat).
2. Matematisk analyse svarende til Matematik A på gymnasieniveau samt et kursus på niveau med enten Introduktion til matematik i naturvidenskab (MatIntroNat) eller Matematisk analyse og sandsynlighedsteori i datalogi (MASD). Det anbefales desuden at følge Matematisk Analyse (MatAn) senest samtidig.
3. Grundlæggende statistik og sandsynlighedsteori svarende til Sandsynlighedsregning og statistik (SS) eller Grundlæggende statistik og sandsynlighedsregning (GSS) eller Matematisk analyse og sandsynlighedsteori i datalogi og Modelling analysis of data (MAD)
4. Programmeringserfaring i Python.

Skriftlig
Mundtlig
Individuel
Løbende feedback i undervisningsforløbet
ECTS
15 ECTS
Prøveform
Mundtlig prøve, 25 min
Skriftlig aflevering
Aflevering af et skriftligt gruppebaseret projekt.

Mundtlig individuel prøve i 25 minutter (uden forberedelse) i kursets pensum.

Der gives en samlet karakter for projektet og den mundtlige prøve.
Bedømmelsesform
7-trins skala
Censurform
Ekstern censur
Kriterier for bedømmelse

Se målbeskrivelsen.

Enkeltfag dagtimer (tompladsordning)

  • Kategori
  • Timer
  • Forelæsninger
  • 56
  • Forberedelse (anslået)
  • 50
  • Praktiske øvelser
  • 114
  • Øvelser
  • 114
  • Eksamensforberedelse
  • 28
  • Eksamen
  • 50
  • Total
  • 412