Course syllabus

Kurs-PM

EEN175 Introduktion till maskininlärning lp1 HT24 (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, gabwal@chalmers.se

Övningsledare

Gabriel Arslan Waltersson, gabwal@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	Innehåll (övningsuppgifter anges inom parentes)
F1 KB1, KX	Tisd 3 sept 13-15, HC1	Introduktion till maskininlärning. Sannolikhetslära, väntevärden, korrelationer (1.2).
F2 KB3	Torsd 5 sept 13-15, HB1	Linjär regression, minsta kvadratskattning.
F3 KB3	Tisd 10 sept 13-15, KC	Transformation av olinjär till linjär regression (2.14).
F4 KB4	Torsd 12 sept 13-15 HB1	Korsvalidering, konflikt mellen bias och varians, regularisering (2.13).
F5 KB5	Tisd 17 sept 13-15, HB1	Optimering, gradient, konvexitet, Lagrangemultiplikator.
F6 KB2	Torsd 19 sept 13-15, HB1	KKN och Naiv Bayes klassificering.
F7 KB2, KB3	Tisd 24 sept 13-15, HA3	Trädbaserad  och logistisk klassificering.
F8 KB8	Torsd 26 sept 13-15, HB1	Supportvektor-maskiner.
F9 KB6	Tisd 1 okt 13-15, FB	Neuronnät.
F10 KB6	Torsd 3 okt 13-15, HB1	Neuronnät, djup inlärning, bakåtpropagering.
F11 KB6	Tisd 8 okt 13-15, HA3	Djup inlärning, transformer.
F12 KX	Torsd 10 okt 13-15, HC3	Reinforcement learning (6.1).
F13 KX	Tisd 15 okt 13-15, HA3	Reinforcement learning för kontinuerliga system.
F14 KX	Torsd 17 okt 13-15, HB1	Reinforcement learning baserat på neuronnät.
F15	Tisd 22 okt 13-15, SB-H2	Summering.
F16	Tisd 5 nov 13-15, SB-H8	Genomgång av Inlämningsuppgift 3

 

Övningsprogram

Övningstillfälle	Innehåll (övningsuppgifter anges inom parentes)
Tisd 3 sept, 15-17, HC1	Betingade sannolikheter, väntevärden och korrelationer (1.1, 1.3, 1.4).
Fred 6 sept, 13-15, HB1	Linjär regression (2.2-2.5).
Tisd 10 sept, 15-17, HB1	Transformation av olinjär till linjär regression. Genomgång av Inlämningsuppgift 1, (2.7-2.9).
Fred 13 sept, 13-15, HB1	Korsvalidering, konflikt mellen bias och varians, regularisering (2.10-2.12).
Tisd 17 sept, 15-17, HB1	Optimering, gradient, konvexitet, Lagrangemultiplikator  (3.2, 3.3, 3.4, 3.7).
Fred 20 sept, 13-15, HB1	KKN och Naiv Bayes klassificering (4.1, 4.2, 4.4, 4.5).
Tisd 24 sept, 15-17, HC2	Trädbaserad  och logistisk klassificering. Genomgång av Inlämningsuppgift 2, (4.3).
Fred 27 sept, 13-15, HB1	Supportvektor-maskiner (4.6-4.8).
Tisd 1 okt, 15-17, FB	Neuronnät (5.1, 5.2, 5.5).
Fred 4 okt, 13-15, HB1	Neuronnät (5.3, 5.4, 5.6, 5.7)
Tisd 8 okt, 15-17, HA3	Djupinlärning, bakåtpropagering (5.7-5.9).
Fred 11 okt, 13-15	Ingen övning.
Tisd 15 okt, 15-17, HA3	Reinforcement learning (6.2 - 6.4).
Fred 18 okt, 13-15, HB1	Reinforcement learning för kontinuerliga system (uppgifter kommer senare).
Tisd 22 okt, 15-17, SB-H2	Rep inför tentan.

 

Räknestugor

Räknestugor erbjuds lv3-lv8 samt lv2-lv4 i LP2.

18/9 ML11 15-17
25/9 ML11 15-17
2/10 ML11 15-17
9/10 ML11 15-17
16/10 ML11 15-17
24/10 ML15, ML16 13-15

13/11 MB, 15-17  
19/11 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	20 sept (lv 3)	27 sept (lv 4)	4 okt (lv 5)
2	lv 4	4 okt (lv 5)	11 okt (lv 6)	18 okt (lv 7)
3	LP2	22 nov (lv 3)	29 nov (lv4)	6 dec (lv5)

 

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

Förändringar i kursen sedan föregående år

Egna anteckningar som tidigare varit tillåtna att ta med på ett formelblad är ej längre tillåtet. Orsaken är enkel. Vi har noterat att rena avskrivningar av svaren på de korta frågorna som ingår i slutet på tentan har förekommit på senaste omtentan. Eftersom dessa frågor till viss del upprepas från tidigare tentamina, skulle egna anteckningar innebära att de som skriver av svaren på samtliga gamla tentor har 2-3 gratis poäng utan att påvisa någon egentlig kunskap. Beslutet om denna förändring togs efter rättningen av omtentan som gick i augusti 2024.

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 måndagen den 28 oktober, förmiddag. Första omtentan går tisdagen den 7 januari, förmiddag.  Tillåtna hjälpmedel: Valfri kalkylator med tömt minne, standardtabeller av typen Physics handbook, TEFYMA och Beta. Tentamen omfattar 25 poäng, där betyg tre fordrar 10 poäng, betyg fyra 15 poäng och betyg fem 20 poäng. 

Den formelsamling som ingår i slutet på tentamenstesen får ej tas med på tentamen, vilket innebär att medtagna anteckningar ej heller tillåts på tentamen, se ytterligare kommentarer ovan kring denna förändring i kursen.

Länk till kursplanen i Studieportalen Studieplan

Kursrepresentanter

Följande personer är utsedda av utbildningsadministrationen att vara kursrepresentanter:

fabianjohannesson@icloud.com       Fabian Johannesson
Simon.lhge@gmail.com                      Simon Lidhage
noah.remmelgas@gmail.com             Noah Remmelgas
teodortambur@gmail.com                 Teodor Tambur
nidal2002z@icloud.com                     Nidal A M Zeineddin

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