1. Kandidat- eller ingenjörsexamen (minst 180hp, inom datavetenskap eller närliggande ämnen såsom matematik, informatik, telekommunikation, elektroteknik, fysik.
2. Minst 15 högskolepoäng i programmering.
3. Minst 7.5 högskolepoäng i matematik.
4. Kunskaper motsvarande engelska 6 på svensk gymnasienivå.
5. Godkänd kurs Matematisk statistik för data science (MA660E).

Deltagande i kursen förutsätter också kunskaper inhämtade i kursen Artificiell intelligens för data science (DA631E).

Kursen ingår i programmet Datavetenskap: Tillämpad data science, masterprogram, och kan ingå i Masterexamen i datavetenskap (120 hp).

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 algoritmeroch 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

Kunskap och förståelse
För godkänd kurs ska studenten kunna:

• Förklara avancerade maskininlärningsmetoder och hur de används i praktiken

Färdighet och förmåga
För godkänd kurs ska studenten kunna:

• Implementera avancerade maskininlärningsalgoritmer, såväl individuellt som i grupp
• Tillgodogöra sig och använda publicerade forskningsresultat inom maskininlärning
• Tillgodogöra sig resultat från kommersiell maskininlärningsutveckling
• Utvärdera och jämföra lämplighetenhos olika metoder för att angripa ett givet problem
• Tolka relevansen hos maskininlärningsresultat

Värderingsförmåga och förhållningssätt
För godkänd kurs ska studenten kunna:

• Analysera och utvärdera vetenskapliga arbeten inom maskininlärning
• Kritiskt analysera styrkor och svagheter i vetenskapliga argument för både teoretiska och experimentella resultat.

Föreläsningar, datorlaborationer, seminarier, projektarbete (Kaggletävling)

Studenternas prestationer bedöms genom rapport i grupprojekt (5 hp, bedöms med UG), laborationsuppgifter (5 hp, bedöms med UG) och skriftlig tentamen (5 hp, bedöms med UA).

För godkänd (A-E) krävs att alla moment genomförts och blivit godkända.

Slutbetyg baseras på skriftlig tentamen.

• Aurlien Gron. 2017. Hands-On Machine Learning with Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems (1st ed.). O'Reilly Media, Inc.
• Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques (3rd ed.). Waltham: Morgan Kaufmann.
• Ian Goodfellow, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. The MIT Press.
• Russell, Stuart Jonathan & Norvig, Peter (2010). Artificial intelligence: a modern approach. (3rd ed.) Boston: Pearson Education.
• Witten, Ian H., Frank, Eibe & Hall, Mark A. (2011). Data mining: practical machine learning tools and techniques (3rd ed.) Burlington, MA: Morgan Kaufmann.

Utöver ovanstående litteratur tillkommer en samling vetenskapliga artiklar.

Högskolan 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 högskolan. Högskolan sammanställer kursvärderingarna samt informerar om resultaten och eventuella beslut om åtgärder som föranleds av kursvärderingarna. Resultaten ska hållas tillgängliga för studenterna. (HF 1:14).

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

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.