Denna kurs är tänkt som en första kurs i maskininlärning (ML) för studenter som tänker bli experter inom området. Kursen ger en bred överblick över teori och praktik i maskininläming från olika områden och perspektiv. Särskild vikt läggs på att lära ut kopplingar mellan fält och hur allting inom ML hänger samman, samt på "learning by doing". En väsentlig del av kursen involverar att lösa maskininlämingsproblem och jämföra lösningar, både på egen hand och tillsammans med andra blivande maskininlämingsexperter på KTH. Målet är att utrusta dig med en solid teoretisk och praktisk grund för att läsa avancerade maskininlämingskurser på KTH, samt att förbereda dig för en karriär inom maskininläming.
Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.
KTH Campus
50%
60090
Normal Dagtid
Engelska
Ingen platsbegränsning
Sökbar för studenter i årskurs 3 och studenter på masterprogram under förutsättning att kursen kan ingå i programmet.
Notera: all information från kursplanen visas i tillgängligt format på denna sida.
Kursplan DD1420 (VT 2025–)Viktiga ämnen i kursen inkluderar:
− Vad är maskininlärning?
− Optimering.
− Generalisering.
− Inlärningsteori.
− Neurala nätverk och djupinlärning.
− Geometri inom maskininlärning.
− Kernel-metoder.
− Probabilistiska metoder inom maskininlärning.
− Informationsteori inom maskininlärning.
− Maskininlärning för datasyntes.
Efter godkänd kurs ska studenten kunna
− tolka grundläggande begrepp, språk och notation som underbygger maskininlärning
− använda matematiska och statistiska metoder som underbygger maskininlärning
− härleda och bevisa utvalda teoretiska resultat
− implementera grundläggande maskininlärningsmodeller
− tolka resultaten av att tillämpa maskininlärningsmodeller på data
− diskutera hur man kan lösa praktiska maskininlärningsproblem
i syfte att
− tydligt kunna definiera problem inom dataanalys
− formulera en lämplig maskinlärningslösning och stärka denna lösning genom kritisk och kvantitativ utvärdering
− vara väl förberedd för att läsa avancerade kurser i maskininlärning.
Kunskaper i linjär algebra, 7,5 hp, motsvarande slutförd kurs SF1624/SF1672/SF1684.
Kunskaper i flervariabelanalys, 7,5 hp, motsvarande slutförd kurs SF1626/SF1674.
Kunskaper i sannolikhetslära och statistik, 7,5 hp, motsvarande slutförd kurs SF1912-SF1925/SF1935.
Kunskaper och färdigheter i programmering, 6 hp, motsvarande slutförd kurs DD1337/DD1310-DD1319/DD1321/DD1331/DD100N/ID1018.
Kunskaper i algoritmer och datastrukturer, 6 hp, motsvarande slutförd kurs DD1338/DD1320-DD1328/DD2325/ID1020/ID1021.
Aktivt deltagande i kursomgång vars slutexamination ännu inte är Ladokrapporterad jämställs med slutförd kurs.
Den som är registrerad anses vara aktivt deltagande.
Med slutexamination avses både ordinarie examination och det första omexaminationstillfället.
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
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.
Den tidigare kursmodulen TES1 ersätts av KON1 och PRO1 ersätts av ÖVN1, samt INL1 ersätts av INLM.
Kurserna DD1420 och DD2421 överlappar innehållsmässigt.
Kurserna kan inte kombineras.
