Course syllabus

Kurs-PM

EEN175 Introduktion till maskininlärning lp1 HT26 (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

Ansvarig för räknestugorna

Attila Lischka, lischka@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  

Föreläsningsanteckningar inklusive 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 1 sept 13-15	Introduktion till maskininlärning. Sannolikhetslära, väntevärden, korrelationer (1.2).
F2 KB3	Torsd 3 sept 13-15	Linjär regression, minsta kvadratskattning.
F3 KB3	Tisd 8 sept 13-15	Transformation av olinjär till linjär regression (2.14).
F4 KB4	Torsd 10 sept 13-15	Korsvalidering, konflikt mellen bias och varians, regularisering (2.13).
F5 KB5	Tisd 15 sept 13-15	Optimering, gradient, konvexitet, Lagrangemultiplikator.
F6 KB2	Torsd 17 sept 13-15	KKN och Naiv Bayes klassificering.
F7 KB2, KB3	Tisd 22 sept 13-15	Trädbaserad  och logistisk klassificering.
F8 KB8	Torsd 24 sept 13-15	Supportvektor-maskiner.
	Tisd 29 sept 13-15	Ingen föreläsning.
F9 KX	Torsd 1 okt 13-15	Förstärkningsinlärning (6.1).
F10 KX	Tisd 6 okt 13-15	Förstärkningsinlärning för kontinuerliga system.
F11 KB6	Torsd 8 okt 13-15	Neuronnät.
F12 KB6	Tisd 13 okt 13-15	Neuronnät, djup inlärning, bakåtpropagering.
F13 KX	Torsd 15 okt 13-15	Djupinlärning, transformer.
F14	Tisd 20 okt 13-15	Summering.
F15	Tisd 3 nov 13-15	Genomgång av Inlämningsuppgift 3.

 

Övningsprogram

Övningstillfälle	Innehåll (övningsuppgifter anges inom parentes)
Tisd 1 sept, 15-17	Betingade sannolikheter, väntevärden och korrelationer (1.1, 1.3, 1.4).
Torsd 3 sept, 15-17	Linjär regression (2.2-2.5).
Tisd 8 sept, 15-17	Transformation av olinjär till linjär regression. Genomgång av Inlämningsuppgift 1, (2.7-2.9).
Torsd 10 sept, 15-17	Korsvalidering, konflikt mellen bias och varians, regularisering (2.10-2.12).
Tisd 15 sept, 15-17	Optimering, gradient, konvexitet, Lagrangemultiplikator  (3.2, 3.3, 3.4, 3.7).
Torsd 17 sept, 15-17	KKN och Naiv Bayes klassificering (4.1, 4.2, 4.4, 4.5).
Tisd 22 sept, 15-17	Trädbaserad  och logistisk klassificering. Genomgång av Inlämningsuppgift 2, (4.3).
Torsd 24 sept, 15-17	Supportvektor-maskiner (4.6-4.8).
Tisd 29 sept, 15-17	Ingen övning
Torsd 1 okt, 15-17	Förstärkningsinlärning (6.2 - 6.4).
Tisd 6 okt, 15-17	Förstärkningsinlärning, tentamen okt. 2025, uppgift 1.
Torsd 8 okt, 15-17	Neuronnät (5.1, 5.2, 5.5).
Tisd 13 okt, 15-17	Neuronnät (5.3, 5.4, 5.6, 5.7).
Torsd 15 okt, 15-17	Djupinlärning, bakåtpropagering (5.7-5.9).
Tisd 20 okt, 15-17	Rep inför tentan.

 

Räknestugor

Räknestugor erbjuds fredag 13-15 lv2-lv5, lv7, torsdag 13-15 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	18 sept (lv 3)	25 sept (lv 4)	2 okt (lv 5)
2	lv 4	2 okt (lv 5)	9 okt (lv 6)	16 okt (lv 7)
3	LP2	20 nov (lv 3)	27 nov (lv4)	4 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 tisdagen den 27 oktober, eftermiddag. Första omtentan går torsdagen 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 tillåts på tentamen.

Länk till kursplanen i Studieportalen Studieplan

Kursrepresentanter

Följande personer är utsedda av utbildningsadministrationen att vara kursrepresentanter:

TKAUT   11ben.hall@gmail.com                  Benjamin Hall
TKAUT   pompen27@gmail.com                 Pontus Ivarsson
TKAUT   bastiljung@gmail.com                   Sebastian Ljungdahl
TKAUT   elias.mulders@gmail.com             Elias Mulders
TKAUT   melker.thunberg@gmail.com       Melker Thunberg

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