Maskininlärning

Efter avslutad kursen ska studenten kunna:

• Tillämpa neurala nätverk på verklig problemlösning.
• Göra jämförande analys, både teoretisk och empirisk, för att bestämma vilket neurala nätverk som är bäst lämpat för en viss uppgift.
• Designa olika typer av neurala nätverk, utvärdera deras prestanda och använda dem för att lösa komplexa problem.
• Använda deep learning för att lösa verkliga problem.
• Visa förståelse för och använda moderna djupinlärningsverktyg.
• Förklara både fördelarna och begränsningen av lösningar baserade på neurala nätverk och deep learning.

Kursen fokuserar huvudsakligen på de tillämpade aspekterna av maskininlärning med särskild tonvikt på neurala nätverk och deep learning.
Kursen ger en introduktion till maskininlärning och en översikt över neurala nätverk. Perceptronet som grundelement för linjär separabilitet och dess begränsningar i klassificering diskuteras. Sedan studeras olika aktiveringsfunktioner och sigmoid perceptron för att lösa icke-linjära klassificeringsproblem.
Olika typer av maskininlärningsparadigmer som supervised, unsupervised och reinforcement inlärande omfattas. Feed-forward neurala nätverk och algoritmen för backpropagation kommer att presenteras. Kursen kommer också att omfatta återkommande neurala nätverk (RNN).

Slutligen diskuteras deep learning med tonvikt på de grundläggande principerna och olika typer av neurala nätverk för deep learning.

Projektarbete som rapporteras skriftligt och presenteras muntligt 3 hp,
Laborationer 3 hp,
Seminarier och skriftliga reflektioner 1,5 hp.

Som betygsskala används U–VG.

Projektarbete U - VG
Laborationer, seminarier och skriftlig reflektioner U-G.

Slutbetyget på kursen bestäms av betyget på fallstudien och projektarbetet.