Course syllabus

Kurs-PM

EEN175 Introduktion till maskininlärning lp1 HT25 (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 2 sept 13-15	Introduktion till maskininlärning. Sannolikhetslära, väntevärden, korrelationer (1.2).
F2 KB3	Torsd 4 sept 13-15	Linjär regression, minsta kvadratskattning.
F3 KB3	Tisd 9 sept 13-15	Transformation av olinjär till linjär regression (2.14).
F4 KB4	Torsd 11 sept 13-15	Korsvalidering, konflikt mellen bias och varians, regularisering (2.13).
F5 KB5	Tisd 16 sept 13-15	Optimering, gradient, konvexitet, Lagrangemultiplikator.
F6 KB2	Torsd 18 sept 13-15	KKN och Naiv Bayes klassificering.
F7 KB2, KB3	Tisd 23 sept 13-15	Trädbaserad  och logistisk klassificering.
F8 KB8	Torsd 25 sept 13-15	Supportvektor-maskiner.
F9 KB6	Tisd 30 sept 13-15	Neuronnät.
	Torsd 2 okt 13-15	Ingen föreläsning.
F10 KB6	Tisd 7 okt 13-15	Neuronnät, djup inlärning, bakåtpropagering.
F11 KX	Torsd 9 okt 13-15	Djupinlärning, transformer.
F12 KX	Tisd 14 okt 13-15	Förstärkningsinlärning (6.1).
F13 KX	Torsd 16 okt 13-15	Förstärkningsinlärning för kontinuerliga system.
F14	Tisd 21 okt 13-15	Summering.
F15	Tisd 4 nov 13-15	Genomgång av Inlämningsuppgift 3.

 

Övningsprogram

Övningstillfälle	Innehåll (övningsuppgifter anges inom parentes)
Tisd 2 sept, 15-17	Betingade sannolikheter, väntevärden och korrelationer (1.1, 1.3, 1.4).
Torsd 4 sept, 15-17	Linjär regression (2.2-2.5).
Tisd 9 sept, 15-17	Transformation av olinjär till linjär regression. Genomgång av Inlämningsuppgift 1, (2.7-2.9).
Torsd 11 sept, 15-17	Korsvalidering, konflikt mellen bias och varians, regularisering (2.10-2.12).
Tisd 16 sept, 15-17	Optimering, gradient, konvexitet, Lagrangemultiplikator  (3.2, 3.3, 3.4, 3.7).
Torsd 18 sept, 15-17	KKN och Naiv Bayes klassificering (4.1, 4.2, 4.4, 4.5).
Tisd 23 sept, 15-17	Trädbaserad  och logistisk klassificering. Genomgång av Inlämningsuppgift 2, (4.3).
Torsd 25 sept, 15-17	Supportvektor-maskiner (4.6-4.8).
Tisd 30 sept, 15-17	Neuronnät (5.1, 5.2, 5.5).
Torsd 2 okt, 15-17	Ingen övning.
Tisd 7 okt, 15-17	Neuronnät (5.3, 5.4, 5.6, 5.7).
Torsd 9 okt, 15-17	Djupinlärning, bakåtpropagering (5.7-5.9).
Tisd 14 okt, 15-17	Förstärkningsinlärning (6.2 - 6.4).
Torsd 16 okt, 15-17	Förstärkningsinlärning för kontinuerliga system (uppgifter kommer senare).
Tisd 21 okt, 15-17	Rep inför tentan.

 

Räknestugor

Räknestugor erbjuds onsdag 15-17 lv3-lv8 samt tisdag 13-15 lv2-lv3 i LP2.

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	19 sept (lv 3)	26 sept (lv 4)	3 okt (lv 5)
2	lv 4	3 okt (lv 5)	10 okt (lv 6)	17 okt (lv 7)
3	LP2	21 nov (lv 3)	28 nov (lv4)	5 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 vid tentamen är ej längre tillåtet. Området förstärkningsinlärning för kontinuerliga system kommer i år att fördjupas baserat på nya forskningsresultat.

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 27 oktober, förmiddag. Första omtentan går onsdagen 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 längre tillåts på tentamen.

Länk till kursplanen i Studieportalen Studieplan

Kursrepresentanter

Följande personer är utsedda av utbildningsadministrationen att vara kursrepresentanter:

ronjaandersson11@hotmail.se   Ronja Andersson
filipar@chalmers.se                      Filip Arle
Bengtsson.jg@gmail.com            Johan Bengtsson
mons.detterfelt@gmail.com        Måns Detterfelt
04oltha@gmail.com                     Olof Thorsson

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