
DS807: Anvendt Maskinlæring
Det Naturvidenskabelige Studienævn
Undervisningssprog: Engelsk
EKA: N340075102
Censur: Intern prøve, to eller flere bedømmere
Bedømmelse: 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Efterår
Niveau: Kandidat
STADS ID (UVA): N340075101
ECTS-point: 10
Godkendelsesdato: 19-04-2024
Varighed: 1 semester
Version: Godkendt - aktiv
Indgangskrav
Kurset kan ikke vælges hvis du har bestået, er tilmeldt eller har fulgt DSK807, eller hvis DSK807 indgår som obligatorisk i din studieordning.
Faglige forudsætninger
De studerende forventes at have kendskab til:
- 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.
Disse færdigheder kan opnås gennem kurserne DS804: Data mining and machine learning; DS805: Multivariate Statistical Analysis og eventuelt DS810: Data Driven Decision Making.
Formål
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.
Målbeskrivelse
Læringsmålet af kurses er, at den studerende skal kunne demonstrere sine evner til at:
- 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.
Indhold
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):
- Support vector machines
- Decision trees, boosting, random forests, og gradient boosting
- Ensembling
- Fully connected neural networks
- Convolutional neural networks
- Recurrent neural networks
- Modeltræning, regularisering og optimering
- Autoencoders and variational autoencoders
- GANs
- Transformers og Generative AI
Litteratur
- Deep Learning with Python af Francois Collet (ISBN10: 9781617294433)
Se desuden itslearning for pensum og yderligere kilder.
Eksamensbestemmelser
Eksamenselement a)
Tidsmæssig placering
Udleveres i december, og afleveres i slutningen af januar
Udprøvninger
Skriftlig take-home eksamen
EKA
N340075102
Censur
Intern prøve, to eller flere bedømmere
Bedømmelse
7-trinsskala
Identifikation
Fulde navn og SDU brugernavn
Sprog
Følger, som udgangspunkt, undervisningssprog
Varighed
1 uge
Hjælpemidler
Oplyses på kurset
ECTS-point
10
Vejledende antal undervisningstimer
Undervisningsform
Vejledende antal undervisningstimer dækker over 45 timer per semester, fordelt på forelæsninger og øvelsestimer.
Aktiviteter inkluderer:
- Deltagelse i forelæsninger, herunder deltagelse i computer lab sessioner.
- Løsning af "ad-hoc" opgaver.
- Selvstudie af forskellige dele af kursusmaterialet.
Ansvarlig underviser
Skemaoplysninger
Administrationsenhed
Team hos Registratur
Udbudssteder
Anbefalede studieforløb
Overgangsordninger
Overgangsordninger beskriver, hvordan et kursus erstatter et andet kursus, når der ændres i et studieforløb.
Hvis der er lavet en overgangsordning for et kursus vil den fremgå af oversigten.
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.