Elektroteknik AV, Tillämpad maskininlärning, 7,5 hp

Observera att litteraturen i kursplanen kan ändras/revideras fram till: 
• 1 juni för en kurs som startar på höstterminen
• 15 november för en kurs som startar på vårterminen
• 1 april för en kurs som startar på sommaren 

Skriv ut eller spara kursplanen som PDF

Du kan enkelt skriva ut en kursplan direkt från webbsidan. Använd kortkommandot ctrl+p (Windows) eller command+p (Mac). I nästa steg väljer du om du vill skriva ut eller spara kursplanen som PDF.

 

För en nedlagd kurs kan eventuell information om avvecklingsperiod hittas under rubriken "Övergångsregel" i senaste versionen av kursplanen.


Versioner:
Gå till kursen

Kursplan för:
Elektroteknik AV, Tillämpad maskininlärning, 7,5 hp
Electrical Engineering MA, Applied Machine Learning, 7.5 credits

Allmänna data om kursen

  • Kurskod: ET003A
  • Ämne huvudområde: Elektroteknik
  • Nivå: Avancerad
  • Högskolepoäng: 7,5
  • Fördjupning vs. Examen: A1N - Kursen ligger på avancerad nivå och har endast kurs(er) på grundnivå som förkunskapskrav.
  • Utbildningsområde: Teknik 100%
  • Ansvarig fakultet: Fakulteten för naturvetenskap, teknik och medier
  • Ansvarig institution: Data- och elektroteknik
  • Fastställd: 2021-10-07
  • Senast ändrad: 2022-11-25
  • Giltig fr.o.m: 2023-01-01

Syfte

Att ge en introduktion till flera delområden inom maskininlärning och att orientera om grundläggande metoder och algoritmer tillgängliga inom dessa områden. Att förmedla bredd och djup inom maskininlärning och dess tillämpning inom mätteknik.

Lärandemål

Efter avslutad kurs ska studenten kunna:
- Tillämpa metoder för att importera, kombinera, annotera och konvertera data till lämpliga format för dataanalys,
- Förklara nyttan med datautvinning samt välja och implementera lämplig metod i typiska användningsfall,
- Välja, motivera och tillämpa vanliga metoder och algoritmer för maskininlärning för typiska användningsfall samt presentera resultaten på lämpligt sätt,
- Designa och genomföra validering av prestanda för system för maskininlärning,
- Bedöma tillämpbarheten av maskininlärning i mätsystem
- Redogöra för etik runt val av träningsdata och användning av statistiska metoder för att dra slutsatser

Innehåll

- Oövervakad och övervakad inlärning, klassificering och regression
- Neurala nätverk inklusive konvolutionella nätverk, återkommande neurala nätverk och djupinlärning
- Bayesisk inlärning
- Support vector machines, KNN, K mean clustering, linjära klassificerare, beslutsträd, slumpskogar, ensemblemetoder
- Etik runt maskininlärning
- Maskininlärning i mätsystem

Behörighet

Avlagd kandidatexamen/högskoleingenjörsexamen om minst 180 hp med minst 60 hp elektroteknik eller datateknik.

Urvalsregler

Urval sker i enlighet med Högskoleförordningen och den lokala antagningsordningen.

Undervisning

Arbetsinsatsen för hela kursen omfattar normalt 200 timmar. Det betyder att utöver schemalagd tid måste studenten genomföra omfattande självstudier. Antalet lärartimmar för det specifika kurstillfället definieras i schemat. Alternativt ges kursen i distansform utan fysiska träffar och istället med webbaserat material. I detta fall krävs egen dator med administratörsrättigheter samt internetanslutning för att kunna följa kursen. Undervisning kan ske på svenska eller engelska.

Examination

I101: Maskininlärning , Skriftlig inlämningsuppgift, 3 hp
Betygsskala: På kursen ges något av betygen A, B, C, D, E, Fx och F. A - E är Godkänt, Fx och F är underkänt.

I201: Maskininlärning för mätsystem , Skriftlig inlämningsuppgift, 3 hp
Betygsskala: På kursen ges något av betygen A, B, C, D, E, Fx och F. A - E är Godkänt, Fx och F är underkänt.

I301: Litteraturöversikt och etik , Skriftlig inlämningsuppgift, 1,5 hp
Betygsskala: Underkänd (U) eller Godkänd (G)

Slutbetyg baseras på en sammanvägd bedömning av betygen på I101 och I201.

Betygskriterier för ämnet finns på www.miun.se/betygskriterier.

Om en student har ett besked från samordnaren vid Mittuniversitetet om pedagogiskt stöd vid funktionsnedsättning, har examinator rätt att ge anpassad examination för studenten.

Begränsning av examination

Studenter registrerade på denna version av kursplan har rätt att examineras 3 gånger inom loppet av 1 år enligt angivna examinationsformer. Därefter gäller examinationsform enligt senast gällande version av kursplan.

Betygsskala

På kursen ges något av betygen A, B, C, D, E, Fx och F. A - E är Godkänt, Fx och F är underkänt.

Litteratur

Välj litteraturlista:

Obligatorisk litteratur

  • Författare/red: Michael Paluszek, Stephanie Thomas
  • Titel: MATLAB Machine Learning
  • Förlag: Apress
  • Kommentar: ISBN: 978-1-4842-2249-2

Referenslitteratur

  • Författare/red: M. Gopal
  • Titel: Applied Machine Learning
  • Förlag: McGraw Hill
  • Kommentar: ISBN: 978-1-260-45684-4

Kolla om litteraturen finns på biblioteket

Sidan uppdaterades 2024-02-23