Maskininlärning med R, del 2, 3 hp

Innehåll

Kursen kommer att introducera grundläggande idéer och koncept inom maskininlärning tillsammans med metoder baserade på linjära modeller. Med utgångspunkt i detta kommer vi sedan att fokusera på de klassiska algoritmerna baserade på ensembleidéer för tabulära data, t.ex. random forest, och mer avancerade modeller baserade på neurala nätverk för icke-tabulära data (t.ex. bilddata). Målet med kursen är att hjälpa studenterna att bygga upp kunskap om maskininlärningsalgoritmer. Dessutom kommer vi att visa implementeringen av olika metoder i R-miljön (programvarusystem).

Om du redan har läst kursen Maskininlärning med R, del 1, så är detta en perfekt fortsättningskurs för dig som vill fördjupa din kunskap inom maskininlärning. Kursen kan dock läsas helt fristående också.

Förväntade studieresultat

Kunskap och förståelse
Studenten ska kunna

1. Förklara de grundläggande idéerna inom maskininlärning
2. Förklara hur modellerna för maskininlärning som tas upp under kursen fungerar och vilka egenskaper de har
3. Förklara överanpassningsproblemet inom maskininlärning

Färdigheter och förmåga
Studenten ska kunna

4. Översätta konkreta problem till maskininlärningsproblem och därefter välja en lämplig metod och modell för att lösa dem
5. Använda R för att implementera de metoder för träning, modellselektion och modellvalidering som tas upp under kursen  

Värderingsförmåga och förhållningssätt
Studenten ska kunna

6. Välja, baserat på lämpliga kriterier för det aktuella problemet, den bästa modellen bland olika kandidatmodeller med hjälp av modellvalideringsmetoder

Behörighetskrav

7,5 hp i statistik inkl. R, t.ex. Maskininlärning med R, del 1 (7.5 hp). Engelska B/6.

Undervisningens upplägg

Lärandet stöds genom föreläsningar, lektioner, datorlaborationer och handledning.

Examination

Examinationen består av ett projektarbete som genomförs i grupp. Projektarbetet inkluderar en skriftlig rapport och en muntlig redovisning. På kursen ges betygen Underkänd (U), Godkänd (G), eller Väl Godkänd (VG). Betyget på kursen utgör en sammanfattande bedömning av den individuella studentens resultat vid examinationens olika delar och sätts först när alla delar är godkända.

Studerande som godkänts på ett prov får inte undergå förnyat prov för att uppnå ett högre betyg. För studerande som ej blivit godkänd erbjuds ytterligare provtillfällen enligt ett fastställt schema.

En student som utan godkänt resultat har genomgått ordinarie prov samt ett omprov för en kurs eller en del av en kurs, har vid nästa omprovstillfälle rätt att få en annan examinator eller rättande lärare utsedd, om inte särskilda skäl talar emot det. Student ska vända sig till studierektor med en sådan begäran senast två veckor innan nästa provtillfälle. 

Examination baserad på samma kursplan som vid ordinarie examinationstillfälle garanteras två år efter studentens förstagångsregistrering på kursen.

Anpassningar
Examinator kan besluta om avsteg från kursplanens examinationsform. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Student som har behov av en anpassad examination, och som har erhållit ett beslut om rätt till stöd från samordnare för studenter med funktionsnedsättning vid Studentcentrum, ska senast 10 dagar innan examinationen begära anpassning hos kursansvarig institution. Examinator beslutar om anpassad examination som sedan meddelas studenten.

Tillgodoräknande
Tillgodoräknande sker enligt Umeå universitets tillgodoräknandeordning.

Övriga föreskrifter

Innehållet i denna kurs överlappar delvis innehållet i kursen Statistik C: Metoder för data science (10 hp) och kan därför inte tas med i en examen tillsammans med den överlappande kursen.