Maskininlärning, 7,5 hp

Innehåll

Kursen introducerar grundläggande begrepp och ett antal modellbaserade och algoritmiska maskininlärningsmetoder, samt praktisk design och utvärdering av några maskininlärningslösningar.

Kursen är uppdelad i tre moment:
Moment 1: Principer, 4 hp.
Denna del introducerar bakgrunden till och viktiga tillämpningar av maskininlärning. Följande ämnen kommer att täckas: support vector machines, naiv bayes, k-nearest neighbor, beslutsträd, neurala nätverk, linjär regression, klustring, hidden markov modeller och reinforcement learning. Dessutom kommer en rad viktiga begrepp och kunskaper att nämnas, inklusive bias / variansavvägningar, generativ / diskriminerande inlärning, kärnmetoder, parametrisk / icke-parametrisk inlärning, grafiska modeller och deep learning. Vissa maskininlärningsbibliotek (t ex scikit-learn) och utvecklingsverktyg introduceras kortfattat.

Moment 2: Seminarium, 0,5 hp.
Forskningsartiklar om vissa utvalda maskininlärningämnen kommer att delas ut i förväg till alla studenter för läsning. I detta moment delas studenterna in i grupper och ger korta presentationer för att förklara och bedöma den tilldelade artikeln (dvs den föreslagna lösningen, datamängder, experimentell design etc.). En grupprepresentant kan väljas för att presentera men alla gruppmedlemmar måste vara närvarande och involverade i diskussionen. Läraren och andra studenter kommer att ställa frågor och ge feedback.

Del 3: Övning, 3 hp.
Denna del består av 2-4 obligatoriska praktiska uppgifter. Studenterna ska tillämpa några av maskininlärningsalgoritmerna / modellerna och ramverken / biblioteken från del 1 genom att lösa de tilldelade uppgifterna i reella applikationer (tex textklassificering, sökmotor eller rekommendationssystem).

Förväntade studieresultat

Kunskap och förståelse
Efter avslutad kurs ska studenten kunna:

• Förklara och beskriva en delmängd av de begrepp och metoder som är centrala för maskininlärning som klassificering, regression, klustring, bias / varians, kärnfunktioner och optimering. (FSR 1)
• Kategorisera utvalda maskininlärningsalgoritmer utifrån olika aspekter, såsom övervakad / oövervakad / halvövervakad, klassificering / regression / klustring, generativ / diskriminerande och parametrisk / icke parametrisk. (FSR 2)
• Förklara styrkorna och begränsningarna för utvalda algoritmer / modeller för maskininlärning och hur de kan tillämpas i olika applikationer som exempelvis textklassificering, rankning och bildigenkänning. (FSR 3)

Färdigheter och förmågor
Efter avslutad kurs ska studenten kunna:

• Utforma och implementera lämpliga maskininlärningslösningar till givna uppgifter (t ex klassificera / gruppera dokument efter ämne) i state-of-the-art programmeringsspråk. (FSR 4)
• Tillämpa några moderna utvecklingsmiljöer och mjukvarubibliotek för att realisera en maskininlärningsuppgift. (FSR 5)
• Utvärdera prestanda för maskininlärningsalgoritmer när det gäller lämpliga mätvärden (t.ex. noggrannhet, felfrekvens, känslighet, precision, recall etc.) och jämföra dem med teoretiska förväntningar. (FSR 6)

Värderingar och förhållningssätt
Efter avslutad kurs ska studenten kunna:

• Diskutera effekterna av ny teknik inom maskininlärning på verkliga tillämpningar och samhället. (FSR 7)

Behörighetskrav

Univ:För tillträde till kursen krävs 90 hp avklarade studier varav 60 hp i huvudområdet datavetenskap eller 2 års avklarade studier (120hp) inom ett studieprogram, i båda fallen inkluderande kursen Artificiell intelligens - grunderna (5DV121) samt minst 7.5hp matematisk statistik (tex 5MS045).

Svenska för grundläggande behörighet för högskolestudier samt Engelska A/5. Krav på svenska gäller endast om utbildningen ges på svenska.

Undervisningens upplägg

Undervisningen bedrivs i form av föreläsningar, seminarier och praktiska uppgifter. Utöver schemalagda aktiviteter krävs även individuellt arbete med materialet.

Examination

Bedömning av kursen består av ett antal uppgifter (50%), ett seminarium (15%) och en skriftlig tentamen (35%). Vi tilldelar totalt 1000 poäng till denna kurs enligt följande:

Moment 1: Principer - 350 poäng (FSR 1, 2, 3): Betyget på moment 1 är något av följande: Underkänd (U) eller Godkänd (G) och för att få godkänt betyg ska studenten ha minst 175p på momentet. Bedömningen sker genom skriftlig tentamen.

Moment 2: Seminarium - 150 poäng (FSR 2, 3, 7): Betyget på moment 2 är något av följande: Underkänd (U) eller Godkänd (G) och för att få godkänt betyg ska studenten ha minst 75p på momentet. Bedömningen görs under ett obligatoriskt seminarium där studenterna ska ge korta presentationer för att förklara och utvärdera en given artikel (dvs den föreslagna lösningen, datamängder, experimentell design etc.). Läraren och andra studenter kommer att ställa frågor och ge feedback.

Moment 3: Övning - 500 poäng (FSR 4, 5, 6): Betyget på moment 3 är något av följande: Underkänd (U) eller Godkänd (G) och för att få godkänt betyg ska studenten ha minst 250p på momentet. Examinationen består av 2-4 obligatoriska uppgifter (exakt antal beror på deras omfattning) som presenteras i skriftliga rapporter (t ex kod, lösningsbeskrivning och algoritmevaluering).

På kursen som helhet ges en av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) eller Med beröm godkänd (5). För att bli godkänd på kursen måste alla obligatoriska moment vara godkända. Slutresultatet bestäms av den samlade poängen enligt följande skala:

Med beröm godkänd (5): p> = 900
Icke utan beröm godkänd (4): 900> p> = 750
Godkänd (3): 750> p> = 500
Underkänd (U): 500> p

Ett ytterligare seminarium arrangeras för studenter som inte deltar i det första seminariet. Studenter som missar båda dessa tillfällen måste delta i seminariet nästa år för att få motsvarande poäng för att passera kursen.

Studerande som godkänts i ett prov får inte undergå förnyat prov för att få ett högre betyg. 

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 prefekten för Institutionen för datavetenskap.

Examination baserad på denna kursplan garanteras under två år efter studentens förstagångsregistrering på kursen. Detta gäller även om kursen lagts ned och denna kursplan upphört gälla.
 
TILLGODORÄKNANDE
Student har rätt att få prövat om tidigare utbildning eller motsvarande kunskaper och färdigheter förvärvade i yrkesverksamhet kan tillgodoräknas för motsvarande utbildning vid Umeå universitet. Ansökan om tillgodoräknande skickas in till  Studentcentrum/Examina. Mer information om tillgodoräknande finns på Umeå universitets studentwebb, www.student.umu.se, och i högskoleförordningen (6 kap). Ett avslag på ansökan om tillgodoräknande kan överklagas (Högskoleförordningen 12 kap) till Överklagandenämnden för högskolan. Detta gäller såväl om hela som delar av ansökan om tillgodoräknande avslås.

Övriga föreskrifter

I en examen får denna kurs ej ingå, helt eller delvis, samtidigt med en annan kurs med likartat innehåll. Vid tveksamheter bör den studerande rådfråga studievägledare vid Institutionen för datavetenskap och/eller programansvarig för sitt program.