DSK807: Anvendt Maskinlæring

• Regressions analyse.
• Basale unsupervised metoder, herunder principal component analysis og clustering.
• Sampling teknikker såsom the Bootstrap, cross-validation, og data split (trænings og test), og hvordan (samt hvornår) de skal benyttes.
• Basal forståelse af “moderne” tilgange til statistisk læring, herunder decision trees.
• Anvendelse af ovenstående i et programmeringssprog.

Formålet med kurset er at gøre den studerende i stand til at anvende de mest brugte metoder i machine learning.

Det er kursets fokus at:

• Give den studerende kompetencerne til at udarbejde og gennemføre en anvendt machine learning analyse fra start til slut.
• Give den studerende færdighederne til at foretage klassifikation og prædiktion ved brug af statistical og deep learning metoder og at kunne kritisk vurdere resultaterne. 
• Give den studerende viden og forståelse af en bred vifte af machine learning teknikker og kunne vurdere deres styrker og svagheder når de anvendes til forskellige typer af data.

• Udvikle en forståelse af fundamentale koncepter inden for machine learning, heriblandt algoritmer, modeller, og praksisser.
• Implementere gode metoder og praksisser for effektiv implementering af machine learning systemer.
• Opnå praktiske kompetencer og "hands-on" erfaring i at anvende machine learning metoder i kvantitative og kvalitative "workflows" ved varierende typer af data.

De følgende hovedemner vil blive gennemgået i kurset. Ved hvert emne vil fokus være på anvendelse af modellerne og metoderne:

• Klassisk statistical learning værktøjer og deres anvendelse (shallow learners):

1. Support vector machines
2. Decision trees, boosting, random forests, og gradient boosting
3. Ensembling

• Deep Learning metoder og deres anvendelse:

1. Fully connected neural networks
2. Convolutional neural networks
3. Recurrent neural networks 
4. Modeltræning, regularisering og optimering
5. Autoencoders and variational autoencoders
6. GANs
7. Transformers og Generative AI

Modeller, anvendelser og data vil være inspireret af konkurrencer fra Kaggle og Hugging face.

• Deep Learning with Python af Francois Collet (ISBN10: 9781617294433)

Se desuden itslearning for pensum og yderligere kilder.

Skemalagte undervisningstimer:  

Antal undervisningstimer i alt: 54  

Heraf:  

Fællestimer i klasselokale/auditorium: 54 

• Deltagelse i forelæsninger, herunder deltagelse i computer lab sessioner
• Løsning af "ad-hoc" opgaver

Andre planlagte undervisningsaktiviteter:  

• Selvstudie af forskellige dele af kursusmaterialet