Huvudområden och successiv fördjupning:
Datavetenskap: Avancerad nivå, har endast kurs/er på grundnivå som förkunskapskrav
Beräkningsteknik: Avancerad nivå, har endast kurs/er på grundnivå som förkunskapskrav
Betygsskala: TH teknisk betygsskala
Ansvarig institution: Institutionen för datavetenskap
Moment 1, teoridel, 4.5 högskolepoäng
Kursen behandlar Bayesiska beslut, parameterestimering, icke parametriska tekniker (k-NN, Parzen windows) linjära diskriminantfunktioner, neurala nätvärk, stokastiska metoder (Bolzman maskiner), algoritmoberoende egenskaper, boosting bagging, och klustring.
Moment 2, laborationsdel, 3 högskolepoäng
Delmomentet utgörs av en laborationskurs med ett antal obligatoriska inlämningsuppgifter.
Förväntade studieresultat
Efter avslutad kurs ska studenten kunna:
- förklara begreppet Bayesiska beslut
- utföra parameterestimering (Maximum likelihood och Bayesisk)
- använda icke-parametriska tekniker (k-NN, Parzen-windows) samt argumentera för deras lämplighet i ett specifikt klassificeringsproblem
- förklara linjära diskriminantfunktioner samt deras relation till dels icke-parametriska tekniker och dels neurala metoder
- redogöra för principerna bakom neurala nätverk, kunna analysera ett problem och konstruera ett lämpligt neuralt nätverk för detta. Förstå viktjusteringsalgoritmer (back-propagation)
- redogöra för stokastiska metoder (Bolzman maskiner), samt motivera användningen av dessa
- redogöra för algoritmoberoende egenskaper och klassificeringsalgoritmer. Kunna analysera olika klassificeringsmetoder och ställa dem mot varandra, samt argumentera för vilken/vilka metoder som lämpar sig vid ett visst problem. Redogöra för "the no-free lunch theorem" och för begrepp som boosting och bagging samt algoritmer som ADA-boost
- redogöra för olika klustringsmetoder (hierarkisk samt k-means klustring) och kunna använda dessa
Behörighetskrav
Univ: För tillträde till kursen krävs, 60 hp inom huvudområdet datavetenskap eller 2 års avklaraded studier, i båda fallen inkluderande kurserna Tekniskvetenskapliga beräkningar (5DV005), Statistik för datavetare A, (5MS005) och Datastrukturer och algoritmer (5DV043) eller motsvarande kunskaper.
Engelska A och svenska för grundläggande behörighet för högskolestudier (om kursen ges på svenska).
Undervisningens upplägg
Undervisningen bedrivs i form av föreläsningar, arbete i datorlabb och övningar i mindre grupper. Utöver schemalagda aktiviteter krävs även individuellt arbete med materialet.
Examination
Examinationen sker dels genom skriftlig tentamen (på teoridelen) dels genom ett laborationsmoment. På en skriftlig tentamen sätts något av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5). På laborationsmomentet ges endast betygen Underkänd (U) eller Godkänd (G). På hela kursen ges något av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5). För att bli godkänd på hela kursen krävs att samtliga prov och obligatoriska moment är godkända. Betyget utgör en sammanfattande bedömning av resultaten vid examinationens olika delar och sätts först när alla obligatoriska moment är godkända. Den som godkänts i ett prov får ej undergå förnyat prov för högre betyg. Studerande som godkänts i ett prov får inte undergå förnyat prov för att få ett högre betyg.
För studerande som inte godkänns vid ordinarie provtillfälle anordnas ytterligare provtillfälle.
En student som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att få en annan examinator utsedd, om inte särskilda skäl talar emot det (HF 6 kap. 22 §). Begäran om ny examinator ställs till styrelsen för Institutionen för datavetenskap.
TILLGODORÄKNANDE
I en examen får denna kurs ej ingå, helt eller delvis, samtidigt med en annan kurs med likartat innehåll t.ex. Komputationell intelligens (TDBC11). Vid tveksamheter bör den studerande rådfråga studievägledare vid Institutionen för datavetenskap.
Litteratur
Giltig från:
2009 vecka 45
Eklund Patrik Soft Computing : Edition for course at Umeå University, 2009
