Behörighetskrav

• CD102A Objektorienterad programmering (7,5 hp)
• CD120A Algoritmer och datastrukturer (7,5 hp)
• CM152A Matematisk statistik för data science (7,5 hp)
• 7,5 hp från kursen CD631E Artificiell intelligens för data science (15 hp)

Fördjupningsnivå i förhållande till examensfordringarna

Kursen ingår i examensfordringarna för Civilingenjörsexamen Datateknik (specialisering Tillämpad data science).

Innehåll

Syftet med kursen är att studenten ska tillägna sig fördjupad kunskap om och förståelse för avancerade aspekter inom maskininlärning och bekantar sig med den aktuella forskningsfronten.

Kursen innehåller följande moment:

• Datatransformering, Datautvidgning, Injustering/kalibrering av modellparametrar (inklusive Advanced Feature Extraction, Hyper-parameter Optimization)
• Interaktiva maskininlärningsmetoder (inklusive Human-Machine Collaboration, Active learning, Online learning, Incremental Learning, Learning from Data Streams)
• Meta-lärande algoritmer och kombinerade lärandemetoder
• Avancerade algoritmer för övervakande och icke-övervakande lärande (inklusive discriminative and generative Deep Learning architectures)
• Maskinlärning genom förstärkning (inklusive Policy Search, Policy Iteration, Value Iteration, Q-learning)
• Trender och aktuell forskningsfront inom maskininlärning

Lärandemål

Kunskap och förståelse

Efter avslutad kurs skall studenten kunna:

1. förklara avancerade maskininlärningsmetoder och hur de används i praktiken.

Färdighet och förmåga

Efter avslutad kurs skall studenten kunna:

2. implementera avancerade maskininlärningsalgoritmer, såväl individuellt som i grupp,

3. tillgodogöra sig och använda publicerade forskningsresultat inom maskininlärning, bl.a. för att skapa prediktiva modeller,

4. tillgodogöra sig resultat från kommersiell maskininlärningsutveckling,

5. utvärdera och jämföra lämpligheten hos olika metoder för att angripa ett givet problem, och

6. tolka relevansen hos maskininlärningsresultat.

Värderingsförmåga och förhållningssätt

Efter avslutad kurs skall studenten kunna:

7. analysera och utvärdera vetenskapliga arbeten inom maskininlärning, och

8. kritiskt analysera styrkor och svagheter i vetenskapliga argument för både teoretiska och experimentella resultat.

Arbetsformer

Föreläsningar, datorlaborationer, seminarier, projektarbete och självstudier.

Bedömningsformer

För godkänt betyg krävs

• godkänd rapport i grupprojekt (7 hp, UG) (Lärandemål 2-5, 7)
• godkända laborationsuppgifter (3 hp, UG) (Lärandemål 2, 5, 6)
• godkänd skriftlig tentamen (5 hp, UA) (Lärandemål 1, 8)

För samtliga bedömningar ska underlaget vara sådant att individuella prestationer kan särskiljas.

Slutbetyget motsvaras av betyget på den skriftliga tentamen.

Kurslitteratur

• Aurlien G. (2017). Hands-On Machine Learning with Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media.
• Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning. The MIT Press.
• Han, J., Kamber, M., & Pei, J. (2022). Data mining: Concepts and techniques (4th edition). Morgan Kaufmann.
• Russell, S. J. & Norvig, P. (2020). Artificial intelligence: a modern approach. (4th edition), Pearson Education.
• Witten, I. H., Frank, E. & Hall, M. A. (2016). Data mining: practical machine learning tools and techniques (4th edition), Morgan Kaufmann.

Utöver ovanstående litteratur tillkommer en samling vetenskapliga artiklar.

Kursvärdering

Malmö universitet ger studenter som deltar i eller har avslutat en kurs en möjlighet att framföra sina erfarenheter av och synpunkter på kursen genom en kursvärdering som anordnas av lärosätet. Universitetet sammanställer kursvärderingarna samt informerar om resultaten och eventuella beslut om åtgärder som föranleds av kursvärderingarna. Resultaten ska hållas tillgängliga för studenterna. (HF 1:14).

Övergångsbestämmelser

Om en kurs har upphört att ges eller har genomgått större förändringar ska studenterna, under ett år efter det att förändringen har skett, erbjudas två tillfällen för omprov baserade på den kursplan som gällde vid registreringen.

Övrigt

Om en student har beslut om riktat pedagogiskt stöd, har examinator rätt att ge ett anpassat prov eller låta studenten genomföra prov på ett alternativt sätt.