Introduktion till Maskininlärning

Mål

Efter avslutad kurs ska den studerande på en avancerad nivå kunna:

• använda relevanta begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem som har anknytning till stora eller komplexa datamängder
• tillämpa inferens för parametrarna i ett antal vanligt förekommande maskininlärningsmodeller
• använda maskininlärningsmetoder för prediktion och beslutsstöd
• utvärdera kvalitén av maskininlärningsmodeller
• kritiskt utvärdera och välja lämpliga modeller i situationer med begränsad eller saknad information om bakomliggande samband i datamaterialet
• implementera maskininlärningsmodeller i ett programmeringsspråk och använda existerande maskininlärningsmjukvaror för att analysera stora eller komplexa datamängder, göra prediktioner och utvärdera osäkerhet av dessa prediktioner
• reflektera över etiska och samhälleliga aspekter som är relevanta för maskininlärning
• reflektera över maskininlärnings möjligheter och begränsningar, dess roll i samhället och människors ansvar för hur den används
• planera och genomföra ett kursarbete inom givna tidsramar

Innehåll

I kursen behandlas huvudbegrepp och huvudredskap i probabilistisk maskininlärning som är nödvändiga för ett professionellt arbete och forskning inom dataanalys.

I kursen behandlas:

• introduktion och översikt av maskininlärning (inklusive regression, klassificering, övervakad och oövervakad inlärning) och dess tillämpningsområden,
• Nearest Neighbors, logistisk regression och beslutsträd,
• binär klassificering: precision, recall, F1 mått och ROC kurvor.
• modellval och osäkerhetsskattning: holdout metoden, korsvalidering, frihetsgrader, bias-variance tradeoff och konfidensintervall,
• linjär regression och regulariseringsmetoder (Ridge, LASSO),
• latenta variabler och principalkomponentanalys (PCA)
• kernel utjämnare, kernel trick och supportvektormaskiner,
• neurala nätverk,
• bagging, boosting och random forests,
• mixture models,
• optimering för maskininlärning: gradientsökning och stokastisk gradientsökning,
• implicit regularisering: early stopping.