Hoppa till huvudinnehållet
Till KTH:s startsida

CM2011 Tillämpad maskininlärning och artificiell intelligens 7,5 hp

Den här kursen handlar om teknik och social förändring. Studenterna kommer att öka förståelsen för samspelet mellan teknik och sociala och kulturella faktorer. För att innovationer ska bli framgångsrika och relevanta för olika användare måste de adopteras och accepteras. Men vad gör att användare väljer att engagera sig i ny teknik och varför inte? Denna kurs ger en grund för att kunna utforma tekniska innovationer på ett socialt medvetet sätt. Vilka är de dominerande teorierna som förklarar de sociokulturella processerna bakom tekniken? Hur adopteras och används teknik av olika användargrupper? Vilka metoder kan vi använda för att Iära oss mera om teknikanvändare? Vilka sociala och kulturella perspektiv ska vi beakta när vi utformar teknik? Varför är ett kritiskt perspektiv viktigt för att utveckla innovationer? Kursen ger insikter i hur sociala och kulturella perspektiv för att förstå användarmedverkan, engagemang och mångfald. Kursen erbjuder en viktig förberedelse för studenter som är intresserade av att skapa sociala förändringar genom utformning av innovationer. Den kommer att bidra med avgörande insikter i de grundläggande perspektiv på teknik och social forändring, ge empiriska exempel och kännedom om de mest framstående praktiska metoderna för att förstå vilken roll tekniken spelar för användarna och deras vardagliga sammanhang.

Information per kursomgång

Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.

Termin

Kursplan som PDF

Notera: all information från kursplanen visas i tillgängligt format på denna sida.

Kursplan CM2011 (VT 2025–)
Rubriker med innehåll från kursplan CM2011 (VT 2025–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

I den här kursen kommer eleverna att lära sig om förhållandet mellan data, modeller och algoritmer för att förstå hur man kan bearbeta och dra slutsatser av data genom datautvinning och maskininlärning. Kursen introducerar en del teori om maskininlärning, men fokuserar främst på aktuella tillämpade metoder. Framgångsrika maskininlärningsapplikationer måste utformas genom ett kritiskt tänkande och förståelse av data, algoritmerna som kan tillämpas baserat på vilken typ av egenskaper datan visar och välja rätt paradigm för maskininlärning. Denna kurs ger en grund för att använda maskininlärning på ett etiskt och ansvarsfullt sätt. Vilka är de dominerande paradigmen inom maskininlärning och i vilka situationer används de bäst? Vilka perspektiv bör vi överväga när vi utformar applikationer för maskininlärning? Varför är ett kritiskt perspektiv viktigt för att utveckla maskininlärning?

Lärandemål

Efter godkänd kurs ska studenten ha kunskap om

  • tillämpa metoder för att importera, kombinera och konvertera data till lämpligt format för dataanalys,
  • förklara fördelarna med datautvinning och kunna välja och implementera lämpliga metoder i typiska fall då datautvinning tillämpas,
  • välja, motivera och tillämpa  vanligt förekommande inlärningsmetoder och algoritmer för typiska användningsfall och presentera resultaten på lämpligt sätt
  • utforma och utföra prestandavalidering av ett maskininlärningssystem
  • redogöra för teknologidesign, etik och regler vid användning och bearbetning av data

Kurslitteratur och förberedelser

Särskild behörighet

Avklarat examensarbete 15hp inom ingenjörsvetenskap, sociala vetenskaper, medicin, biomedicinsk teknik, tillämpad fysik, industriell ekonomi eller entreprenörskap. Alternativt 1 års yrkeserfarenhet inom medicinteknik, teknisk fysik, datateknik, elektroteknik eller entreprenörskap. 5hp programmeringskurs i Python eller R alternativ 3 månader erfarenhet av programmering. Engelska B/6.

Utrustning

Deltagarna bör ta med egna bärbara datorer.

Kurslitteratur

Uppgift om kurslitteratur meddelas i kurs-PM.

Examination och slutförande

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

Betygsskala

A, B, C, D, E, FX, F

Examination

  • PRO1 - Projektuppgift, 7,5 hp, betygsskala: A, B, C, D, E, FX, 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.

-       Examinationen är uppdelad i två delar: den första delen består av 60 procent, 4,5 poäng av betyget och den andra av 40 procent, 3 poäng.

-       Del 1 består av en uppsats och två programmeringsuppgifter.  Programmerings uppgifterna kräver arbetskodsexempel och en liten rapport som förklarar koden. Alla tre betygsätts till 1,5 hp.

-       Den andra delen är ett projekt som återigen är programmeringsbaserad och kräver en arbetskod och en liten rapport. Detta betygsätts till 3 hp.

-       Närvaro krävs för 80 procent av föreläsningarna och seminarierna.

Övriga krav för slutbetyg

Godkänt projekt, uppdrag och deltagande i 80 procent av föreläsningarna.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

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.

Ytterligare information

Kursrum i Canvas

Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.

Ges av

Huvudområde

Medicinsk teknik, Teknik och hälsa

Utbildningsnivå

Avancerad nivå

Påbyggnad

Ingen information tillagd

Kontaktperson

Jayanth Raghothama (jayanthr@kth.se)