Course syllabus

Kurs-PM

EEN175 Introduktion till maskininlärning lp1 HT22 (6 hp)

Kursen ges av institutionen för Elektroteknik, avdelningen för system- och reglerteknik.

 

Kontaktuppgifter

Examinator och föreläsare

Bengt Lennartson, tel: 031-772 3722, bengt.lennartson@chalmers.se

Kursansvarig assistent

Gabriel Arslan Waltersson, tel. 031-772 1703, gabwal@chalmers.se

Övningsledare

Gabriel Arslan Waltersson, gabwal@chalmers.se

Ansvarig för räknestugorna

Yizhou Zhang, yizhou@chalmers.se 

Tentamensexpedition

Rum EDIT 3342, studadm.e2@chalmers.se

Kursens syfte

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

Schema

TimeEdit

 

Kurslitteratur

Kursbok: A. Lindholm, N. Wahlström, F. Lindsten, T. B. Schön
Machine Learning - A First Course for Engineers and Scientists
Cambridge University Press, 2022.
Tillgänglig online http://smlbook.org/book/sml-book-draft-latest.pdf  

Kompletterande extra material kring bl.a. Sannolikhetsteori och optimeringsmetoder laddas ner från Files på Canvas.

 

Föreläsningsprogram 

KBn = Kapitel n i kursboken

KXn = Kapitel n i kompletterande extra material

Nr, avsnitt

Datum, sal

Föreläsning

F1
KB1, KX1

Tisd 30 aug
13-16, HA4

Introduktion till maskininlärning. Sannolikhetslära, händelser, diskreta och kontinuerliga sannolikhetsfördelningar.
Förlängd föreläsning ersätter det första övningspasset.

F2
KB3

Torsd 1 sept
13-15, HB3

Linjär regression, minsta kvadratskattning.

F3
KB3

Tisd 6 sept
13-15, HA4

Transformation av olinjär till linjär regression.

 

Torsd 8 sept
13-15 HB1

Föreläsning ersätts med övningspass för genomgång och frågor på Inlämningsuppgift 1.

F4
KB4

Tisd 13 sept
13-15, HA4

Korsvalidering, konflikt mellen bias och varians, regularisering. 

F5
KB2

Torsd 15 sept
13-15, HC4

Trädbaserad klassificering.

F6
KB5, KX2

Tisd 20 sept
13-15, HA4

Optimering, gradient, konvexitet, Lagrangemultiplikator.

F7
KB8

Torsd 22 sept
13-15, HB1

Regression baserat på stödvektormaskin.

F8
KB9

Tisd 27 sept
13-15, HA4

Bayesiansk sannolikhetsskattning. Naiv Bayes klassificerarare.

F9
KB3, 8

Torsd 29 sept
13-15, HB3

Klassificering baserat på olinjär regression och stödvektormaskin.

F10
KX3

Tisd 4 okt
13-15, HA4

Förstärkningsinlärning.

F11
KX3

Torsd 6 okt
13-15, KE

Förstärkningsinlärning.

F12
KB6

Tisd 11 okt
13-15, HA4

Djupinlärning.

F13
KB6

Torsd 13 okt
13-15, HB3

Djupinlärning.

F14

Tisd 18 okt
13-15, HA4

Summering.

 

Övningsprogram

Övningstillfälle

Innehåll

Tisd 30 aug, 15-17, HA4

Övning ersätts av förlängd föreläsning

Fred 2 sept, 13-15, HB1

Linjär regression

Tisd 6 sept, 15-17, HA4

Linjär regression

Torsd 8 sept, 13-15, HB1

Genomgång och frågor på Inlämningsuppgift 1

Tisd 13 sept, 15-17, HA4

Korsvalidering, konflikt mellen bias och varians, regularisering. 

Fred 16 sept, 13-15, HB1

Trädbaserad klassificering.

Tisd 20 sept, 15-17, HA4

Optimering.

Fred 23 sept, 13-15, HB1

Regression baserat på support vektor maskiner.

Tisd 27 sept, 15-17, HA4

Bayesiansk sannolikhetsskattning. Naiv Bayes klassificerarare.

Fred 30 sept, 13-15, HB1

Klassificering baserat på olinjär regression och support vektor maskiner.

Tisd 4 okt, 15-17, HA4

Förstärkningsinlärning.

Fred 7 okt, 13-15

Ingen övning (omtentamensdag)

Tisd 11 okt, 15-17, HA4

Förstärkningsinlärning, djupinlärning.

Fred 14 okt, 13-15, HB1

Djupinlärning.

Tisd 18 okt, 15-17, HA4

Rep inför tentan.

 

Inlämningsuppgifter

Kursen inkluderar tre inlämningsuppgifter varav den sista genomförs i läsperiod 2.

Inlämningsuppgifterna genomförs i form av självständigt arbete i tvåmannagrupper och resultatet redovisas i en rapport som lämnas in i ett exemplar av varje sådan grupp. Anmälan till grupper sker via Canvas under "People". Rapporterna lämnas in under "Assignments".

Inlämningsuppgift Påbörjas Lämnas in senast fredagen den Återlämnas fredagen den Eventuell retur lämnas in senast fredagen den
1 lv 2 16 sept (lv 3) 23 sept (lv 4) 30 sept (lv 5)
2 lv 4 30 sept (lv 5) 7 okt (lv 6) 14 okt (lv 7)
3 LP2 * * *

* Återkommer med tider  senare i kursen.

 

Räknestugor

Räknestugor erbjuds lv3-lv8.

9/14, 9/21  15:00-17:00 Zoom: https://chalmers.zoom.us/j/61489068832

Password: MI2022

9/28, 5/10, 12/10 room ML11      15:15-17:00 

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.

 

Examination

För slutbetyg krävs godkända inlämningsuppgifter samt godkänd tentamen. Kursens omfattning är 6 hp, varav inlämningsuppgifterna ger 1.5 hp och tentamen ger 4.5 hp.

Ordinarie tentamenstillfälle är den 27 oktober, förmiddag. Första omtentan går den 3 januari, förmiddag.  Tillåtna hjälpmedel: Valfri kalkylator med tömt minne, standardtabeller av typen Physics handbook, TEFYMA och Beta.  Ett formelblad där egna handskrivna anteckningar på fram och baksida är tillåtna. Datorutskrifter förutom de ingående formlerna och figurerna på formelbladet är ej tillåtna. Tentamen omfattar 25 poäng, där betyg tre fordrar 10 poäng, betyg fyra 15 poäng och betyg fem 20 poäng.

Länk till kursplanen i Studieportalen Studieplan

Course summary:

Date Details Due