- Datorvetenskapliga grunder
- Biologiska grunder
- Linjära modeller
- Djupa neurala nätverk
- Kärnmetoder, träd och skogar
- Oövervakad inlärning
- Samhälle, etik och bredare påverkan
CB206V Maskininlärning inom bioteknik 7,5 hp
Välkommen till en kurs som ger en introduktion till maskininlärning och hur djupinlärningsstrategier används och utvecklas inom bioteknologiska tillämpningar. Kursen täcker grunderna i datamodellering och bygger vidare på detta ämne med maskininlärningsmoduler som är relevanta för genomik, proteinvetenskap och bildanalys. Kursen innehåller föreläsningar och praktiska programmeringsövningar som introducerar olika maskininlärningsmodaliteter. Vi täcker övervakad och oövervakad inlärning och överväger utmaningar och möjligheter vid tillämpning av dessa metoder på biologiska data. Vid kursens slut förväntas deltagarna ha en bred kunskap om olika maskininlärningstekniker, konkret förståelse för hur man implementerar datamodeller och hur dessa verktyg kan användas inom bioteknikens kontext. Efter kursen förväntas deltagarna vara välpositionerade att integrera maskininlärningstekniker i sin egen forskning.
Information per kursomgång
Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.
Kursplan som PDF
Notera: all information från kursplanen visas i tillgängligt format på denna sida.
Kursplan CB206V (HT 2024–)Innehåll och lärandemål
Kursinnehåll
Lärandemål
Efter kursen skall studenten kunna:
- Förklara begreppen artificiell intelligens/maskininlärning, inklusive övervakad och oövervakad inlärning, djupa neurala nätverk och optimering.
- Tillämpa maskininlärningsalgoritmer på olika datatyper och domäner, inklusive bilder och genomiska data, för att lösa verkliga problem inom bioteknik.
- Utvärdera prestandan hos maskininlärningsmodeller med hjälp av lämpliga metoder och tekniker och tolka resultaten för att dra meningsfulla slutsatser.
- Identifiera etiska och samhälleliga implikationer av maskininlärning, inklusive frågor relaterade till rättvisa, integritet och ansvarighet.
- Kommunicera maskininlärningskoncept och resultat effektivt till både tekniska och icke-tekniska målgrupper, med hjälp av lämpliga visualiseringar och språk.
- Förklara hur maskininlärning kan integreras i deras egna forskning.
Kurslitteratur och förberedelser
Särskild behörighet
Avklarat examensarbete 15hp, 20hp inom bioteknik, genomik, bio(medicinsk) vetenskap, datavetenskap eller biostatistik, 6hp matematik och engelska B/6.
Utrustning
Kurslitteratur
Probabilistic Machine Learning: an Introduction (Kursbok)
Utvalda artiklar och online-material.
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- PRO1 - Grupparbete, 2,5 hp, betygsskala: P, F
- SEM1 - Grupparbete och seminariepresentation, 1,0 hp, betygsskala: P, F
- TEN1 - Skriftlig tentamen, 4,0 hp, betygsskala: P, F
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter.
Möjlighet till komplettering
Möjlighet till plussning
Examinator
Etiskt förhållningssätt
- Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
- Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
- Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.