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):

  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.

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

45 timer per semester

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

Navn E-mail Institut
Christian Møller Dahl cmd@sam.sdu.dk Econometrics and Data Science

Skemaoplysninger

Administrationsenhed

Institut for Matematik og Datalogi (datalogi)

Team hos Uddannelsesjura & Registratur

NAT

Udbudssteder

Odense

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.