Kursplan

Kursplan för Introduktion till maskininlärning

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2024-02-15 av programansvarig (eller motsvarande).

Kursöversikt

Engelskt namn:
Intro­duc­tion to machine learning
Kurskod:
EEN175
Omfattning:
6 Högskolepoäng
Ägare:
TKAUT
Utbildningsnivå:
Grundnivå
Huvudområde:
Automation och mekatronik, Datateknik
Institution:
ELEKTRO­TEK­NIK
Betygsskala:
TH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk

    Svenska

  • Anmälningskod

    47114

  • Max antal deltagare

    150 (minst 10% av platserna reserveras för utbytesstudenter)

  • Blockschema

  • Sökbar för utbytesstudenter

    Ja

Poängfördelning

Modul
LP1
LP2
LP3
LP4
Sommar
Ej LP
Tentamensdatum
0122 Tentamen 4,5 hp
Betygsskala: TH		4,5 hp
  • 27 Okt 2026 em J
  • 07 Jan 2027 fm J
  • 17 Aug 2027 fm J
0222 Inlämningsuppgift 1,5 hp
Betygsskala: UG		 1,5 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Grundläggande behörighet för grundnivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från kravet

Särskild behörighet

Samma behörighet som det kursägande programmet
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från kraven

Kursspecifika förkunskaper

Grundläggande kunskaper i matematik och programmering samt en kurs i matematisk statistik.

Syfte

Kursens syfte är att introducera och ge grundläggande kunskaper i maskininlärning, med fokus på användning av databaserad inlärning i praktiska tillämpningar.

Lärandemål (efter fullgjord kurs ska studenten kunna)

  • förklara och tillämpa grundläggande maskininlärningsmetoder,
  • använda mjukvara för maskininlärning i praktiska tillämpningar, 
  • utvärdera tillämpbarhet och begränsningar för de metoder som presenteras i kursen.

Innehåll

Sannolikhetslära och statistik. Linjär regression baserad på minstakvadrat och maximum-likelihood kriterier. Klassificering med hjälp av avståndsbaserade metodor, k-närmaste grannmetoden, beslutsträd och logistisk regression. Modellvalidering, avvägning mellan bias och varians samt överanpassning. Ickelinjära parametriska lärandemodeller, regularisering och gradientbaserad optimering. Neurala nätverk och djupinlärning. Icke-linjära transformationer, supportvektor regression och klassificering. Bayesiansk linjär regression och Gaussiska processer. Övervakade och icke-övervakade inlärningsalgoritmer.

Organisation

Föreläsningar, övningar och obligatoriska inlämningsuppgifter.

Litteratur

Andreas Lindholm, Niklas Wahlström, Fredrik Lindsten, Thomas B. Schön Machine Learning - A First Course for Engineers and Scientists 2022, Cambridge University Press. Tillgänglig online.

Examination inklusive obligatoriska moment

Skriftlig tentamen samt godkända inlämningsuppgifter.

Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om riktat pedagogiskt stöd på grund av funktionsnedsättning.

Kursplanen innehåller ändringar

  • Ändring gjord på kurstillfälle:
    • 2026-05-20: Block Block ändrat från B+ till B av Elin Johansson
      [Kurstillfälle 1]
Introduktion till maskininlärning | Chalmers