Senast ändrad: 17 januari 2025
Godkänd: 17 januari 2025
Maskininlärning är den gren av datalogin som går ut på att få datorsystem att lära sig från stora mängder exempel, liknande den inlärningsstrategi som biologiska system (som människor). På senare tid har maskininlärning har fått en allt större betydelse vid behandling av stora mängder vetenskaplig data och vid design av sökmotorer, robotar och sensorsystem.
Masterprogrammet i maskininlärning fokuserar på maskininlärningens matematiska grunder och metoder med tillämpningen av dem för vissa tillämpningsområden. Dessa tillämpningsområden inkluderar ämnen som datorseende, talkommunikation, robotik, informationshämtning och/eller beräkningsbiologi.
Kunskap och förståelse
För masterexamen från programmet Maskininlärning ska studenten
- kunna förmedla god kunskap om matematiska metoder för maskininlärning, samt hur dessa metoder tillämpas inom olika tillämpningsområden,
- kunna förstå olika maskininlärningsproblem tillräckligt bra för att kunna välja ut och tillämpa lämpliga maskininlärningsmetoder som löser dem,
- kunna formulera och närma sig nya problem inom maskininlärning på ett vetenskapligt, kreativt och systematiskt sätt.
Färdigheter och förmågor
För masterexamen från programmet Maskininlärning ska studenten
- kunna utarbeta lösningsstrategier för olika maskininlärningsproblem och förstå styrkorna och svagheterna hos olika metoder och verktyg
- kunna arbeta effektivt i grupper av människor med olika vetenskaplig och teknisk bakgrund
- kunna kommunicera med forskare, utvecklare och ingenjörer på ett kompetent sätt, både muntligt och skriftligt
- kunna följa och delta i forskning och utveckling inom det valda spåret
- kunna visa förmåga att i såväl nationella som internationella sammanhang muntligt och skriftligt i dialog med olika grupper klart redogöra för och diskutera sina slutsatser och den kunskap och de argument som ligger till grund för dessa.
Värderingsförmåga och förhållningssätt
För masterexamen från programmet Maskininlärning ska studenten
- kunna kritiskt bedöma ett problem och på ett oberoende sätt finna den information och kunskap som behövs för att bilda sig en kvalificerad uppfattning
- kunna formulera och närma sig nya maskininlärningsproblem på ett vetenskapligt sätt: kreativt, kritiskt och systematiskt
- kunna identifiera behov av ytterligare kunskap inom området och ta ansvar för att hålla sin egen kunskap uppdaterad.