Högskola och universitet hos Umeå universitet, 7,5 högskolepoäng.
Kursen är en introduktion till maskininlärning och ger en överblick över såväl teoretiska som praktiska aspekter. Kursen introducerar grundläggande koncept inom maskininlärning och presenterar ett antal olika maskininlärningsmetoder och -modeller. Kursen täcker också in statistiska och praktiska frågor relaterade till konstruktionen och utvärderingen av maskininlärningslösningar.
Kursen består av två moduler:
Modul 1: Principer (4,5 hp)
Den här modulen introducerar bakgrunden till maskininlärning och några stora tillämpningsområden. Följande modeller och ämnen kommer att behandlas: Övervakad inlärning (klassificering och regression med metoder som supportvektormaskiner, naiv Bayes, k närmsta grannar, beslutsträd, neuronnätverk), oövervakad inlärning (klustring och dimensionsreduktion med metoder som k-medelvärdesklustring, hierarkisk klustring, principalkomponentanalys, linjär diskriminantanalys, täthetsskattning) samt inlärningsteori (PAC-inlärning, förhållandet mellan systematiskt fel och varians, regularisering). Vidare diskuteras fundamentala koncept inom maskininlärning, som generativ/urskiljande inlärning, paradigmerna maximimetoden och Bayesisk inlärning, parametrisk/icke-parametrisk inlärning.
Modul 2: Praktik (3 hp)
Den här modulen består av praktiska uppgifter som introducerar moderna bibliotek och utvecklingsverktyg för maskininlärning. Studenterna tillämpar några av de maskinlärningsmetoder och -modeller som introducerats i modul 1 för att lösa maskininlärningsproblem i realistiska tillämpningar.