Course syllabus

Kurs-PM

EEN175 Introduktion till maskininlärning lp1 HT23 (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

Erik Brorsson, erikbro@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.pdfLinks to an external site.  

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

 

Föreläsningsprogram 

KBn = Kapitel n i kursboken, KX = Extra material

	Datum, sal	Föreläsning
F1 KB1, KB3	Tisd 29 aug 13-15, Zoom	Introduktion till maskininlärning. Sannolikhetslära, väntevärden, korrelationer. Linjär regression, minsta kvadratskattning.
	Torsd 31 aug 13-15	Ingen föreläsning.
F2 KB3	Tisd 5 sept 13-15, HA4	Transformation av olinjär till linjär regression.
F3 KB4	Torsd 7 sept 13-15 HB1	Korsvalidering, konflikt mellen bias och varians, regularisering.
F4 KB5	Tisd 12 sept 13-15, HA4	Optimering, gradient, konvexitet, Lagrangemultiplikator.
F5 KB2	Torsd 14 sept 13-15, HC4	KKN och Naiv Bayes klassificering.
F6 KB2, KB3	Tisd 19 sept 13-15, HA4	Trädbaserad  och logistisk klassificering.
F7 KB8	Torsd 21 sept 13-15, HB1	Supportvektor-maskiner.
F8 KB6	Tisd 26 sept 13-15, HA4	Neuronnät, djup inlärning.
F9 KB6	Torsd 28 sept 13-15, HB3	Djup inlärning, bakåtpropagering.
F10 KB6	Tisd 3 okt 13-15, HA4	Djupinlärning, transformer.
F11 KX	Torsd 5 okt 13-15, HC3	Reinforcement learning.
F12 KX	Tisd 10 okt 13-15, HA4	Reinforcement learning.
F13 KX	Torsd 12 okt 13-15, HB3	Reinforcement learning baserat på neuronnät.
F14	Tisd 17 okt 13-15, HA4	Summering.

 

Övningsprogram

Övningstillfälle	Innehåll
Tisd 29 aug, 15-17, HA4	Betingade sannolikheter, väntevärden och korrelationer.
Fred 1 sept, 13-15, HB1	Linjär regression.
Tisd 5 sept, 15-17, HA4	Transformation av olinjär till linjär regression.
Fred 8 sept, 13-15, HB1	Korsvalidering, konflikt mellen bias och varians, regularisering. (2.11-2.13)
Tisd 12 sept, 15-17, HA4	Optimering, gradient, konvexitet, Lagrangemultiplikator.  (3.2, 3.3, 3.4, 3.7)
Fred 15 sept, 13-15, HB1	KKN och Naiv Bayes klassificering. (tenta tal 3 från januari och oktober tenta)
Tisd 19 sept, 15-17, HA4	Trädbaserad  och logistisk klassificering. (4.2 och lite exempel på trädklassificering)
Fred 22 sept, 13-15, HB1	Supportvektor-maskiner.
Tisd 26 sept, 15-17, HA4	Neuronnät, djup inlärning.
Fred 29 sept, 13-15, HB1	Djup inlärning, bakåtpropagering.
Tisd 3 okt, 15-17, HA4	Djupinlärning, transformer.
Fred 6 okt, 13-15	Ingen övning.
Tisd 10 okt, 15-17, HA4	Reinforcement learning.
Fred 13 okt, 13-15, HB1	Reinforcement learning baserat på neuronnät.
Tisd 17 okt, 15-17, HA4	Rep inför tentan.

 

Representativa tal inför inför tentamen

Följande 23 tal rekommenderas som förberedelse inför tentamen

• Probability Theory: 1.2
• Linear Regression: 2.7, 2.8, 2.9, 2.10, 2.11, 2.12
• Optimization: 3.2, 3.4, 3.6, 3.7
• Classification: 4.1, 4.2, 4.3, 4.6, 4.7, 4.8
• Neural Networks: 5.1 5.4, 5.7, 5.8
• Reinforcement Learning: 6.2, 6.5

 

Räknestugor

Räknestugor erbjuds lv3-lv8.

13/9 ML11 15-17
20/9 ML11 15-17
27/9 ML11 15-17
4/10 ML11 15-17
11/10 ML11 15-17
19/10 ML15,ML16 13-15

 

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	15 sept (lv 3)	22 sept (lv 4)	29 sept (lv 5)
2	lv 4	30 sept (lv 5)	6 okt (lv 6)	13 okt (lv 7)
3	LP2	*	*	*

* Återkommer med tider  senare i kursen.

 

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

 

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, eftermiddag. 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 StudieplanLinks to an external site.

 

Kursrepresentanter

Följande personer är utsedda av utbildningsadministrationen att vara kursrepresentanter:

zeb.borjesson@outlook.com  Zeb Börjesson
teriksson09@gmail.com   Tor Eriksson
elmer.janmark@gmail.com  Elmer Janmark
simonkarlsson02@outlook.com  Simon Karlsson
davidrsilberberg@gmail.com  David Silberberg

Se ytterligare info https://www.chalmers.se/utbildning/dina-studier/planera-och-genomfora-studier/kursvardering/Links to an external site.