Behörighetskrav

1. Kandidat- eller högskoleingenjörsexamen i materialteknik, maskinteknik, fysik, kemi eller motsvarande. Examen måste omfatta minst 180 hp

2. Minst 22.5 hp matematik.

3. Engelska 6. Eller: Engelska nivå 2.

Huvudområde

CTMAV Materialvetenskap

Fördjupningsnivå i förhållande till examensfordringarna

Kursen ingår i huvudområdet materialvetenskap och kan ingå i masterexamen i materialvetenskap (120p).

Innehåll

Del 1

• Noggrannhet och konvergens för numerisk approximation.
• Linjärt och icke linjärt ekvationssystem
• Minsta kvadratmetod och dataanpassning
• Optimering
• Numeriska differentiering och integration
• Runge-Kutta metod för ordinära differentialekvationer

Del 2

• Multidimensionella slumpmässiga variabler och deras fördelningar
• Regressionsanalys
• Dimensionsreduktion
• Klustringsteknik
• Oövervakad och övervakade inlärningar
• Djupinlärning och neurala nätverk
• Praktiska tillämpningar inklusive etiska överväganden

Lärandemål

Kunskap och förståelse

För godkänd kurs ska studenten kunna:

1. sätta upp korrekt algoritm för numerisk beräkning

2. redogöra för de statistiska principerna som ligger till grund för maskininlärning

3. beskriva de vanligaste typerna av maskininlärningsproblem

4. förklara vid vilken typ av tillämpningar som maskininlärning kan användas, samt maskininlärningens begränsningar

5. beskriva den vetenskapliga grunden för att utveckla och analysera inlärningsalgoritmer och lärande system

Färdighet och förmåga

För godkänd kurs ska studenten kunna:

6. genomföra stabilitet och konvergens analys för olika typ numeriska scheman

7. implementera numeriska och maskininlärnings algoritmer i datorprogram

8. tillämpa dessa metoder för att simulera relevanta problem inom materialvetenskap

9. redovisa resultat i projektarbete både muntlig och skriftlig på vetenskapligt sätt

Värderingsförmåga och förhållningssätt

För godkänd kurs ska studenten kunna:

10. välja metod utifrån en given tillämpning och värdera dess styrkor och svagheter

11. utvärdera om erhållet beräkningsresultat överensstämmer med beräkningsförutsättningar

12 följa och ta del av utvecklingen inom område vetenskapliga beräkningar och maskininlärning

13. resonera om de etiska frågor som kan uppstå vid tillämpning av maskininlärningsbaserade system

Arbetsformer

Föreläsningar, seminarier, laborationer, projekt med handledning samt självstudier.

Bedömningsformer

Krav för godkänt (UA):

• Skriftlig tentamen (UA) 3 hp (Lärandemål: 1-3, 7)
• Laborationsrapporter (UG) 3 hp (Lärandemål: 2-7), 12)
• Presentationer och deltagande i seminarier (UG) 1 hp (Lärandemål: 10, 12)
• Projektpresentation och projektrapport (UG) 3 hp (Lärandemål: 2, 8 - 11, 13)

Kursbetyg ges av betyg på tentamen.

Kurslitteratur och övriga läromedel

Kurslitteratur och övriga läromedel

• Michael Heath, Scientific computing: An introductory survey, 2nd edition,
• Gareth James, Daniella Witten, Trevor Hastie, Rob Tibshirani,
  An introduction to statistical learning with applications in Python, Springer
• Andreas C Muller & Sarah Guido, Introduction to Machine Learning with Python, O’reilly

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.