ETE370 · 3 hp · Grundnivå (G1N) · Datavetenskap

Grunderna i maskininlärning

Ges · nästa start HT 2026

100 %

klarade senaste ordinarie tillfället

UPG1 · 15 okt 2026 · 32 studenter

100 %

klarade de ordinarie tillfällena, alla tillfällen de senaste 5 åren

UPG1 · 553 studenter

Modulen rapporterar bara godkända resultat, så andelen godkända visar inte hur många som inte klarade den.

Inlämning eller laboration

UPG1 Uppgifter

Ordinarie tillfällen

100 % godkända · 553 studenter

15 okt 2026100 %32

15 sep 2026100 %43
15 jun 2026100 %57
15 maj 2026100 %45
15 apr 2026100 %45
31 jan 2026100 %22
15 jan 2026100 %18
15 okt 2025100 %23
15 sep 2025100 %35
15 jun 2025100 %38
16 maj 2025100 %16
16 apr 2025100 %30
15 jan 2025100 %29
15 okt 2024100 %21
16 sep 2024100 %30
15 maj 2024100 %16
15 jan 2024100 %17
15 okt 2023100 %17
15 jun 2023100 %19

Senare tillfällen

100 % godkända · 442 studenter

15 aug 2026100 %16
15 mar 2026100 %26
15 feb 2026100 %17
15 dec 2025100 %29
15 nov 2025100 %33
30 apr 2025100 %6
16 mar 2025100 %17
16 feb 2025100 %20
27 jan 2025100 %7
15 dec 2024100 %18
25 nov 2024100 %6
16 nov 2024100 %9
18 jun 2024100 %11
14 jun 2024100 %13
30 maj 2024100 %5
15 apr 2024100 %9
3 apr 2024100 %12
15 mar 2024100 %23
15 feb 2024100 %12
15 dec 2023100 %14
15 nov 2023100 %18
15 sep 2023100 %15
15 maj 2023100 %13
15 apr 2023100 %10
15 feb 2023100 %7
15 jan 2023100 %11
15 dec 2022100 %10
15 nov 2022100 %5
15 okt 2022100 %10
15 sep 2022100 %8
15 jun 2022100 %10
15 maj 2022100 %14
15 mar 2022100 %8

Klarar ett senare tillfälle: 100 % (442 studenter), jämfört med 100 % (553 studenter) på ordinarie

Visa små tillfällen (25)

Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.

16 mar 2026100 %1
16 feb 2026100 %1
19 jan 2026100 %1
25 jun 2025100 %1
15 apr 2025100 %1
7 apr 2025100 %1
26 mar 2025100 %2
9 mar 2025100 %2
3 feb 2025100 %2
25 dec 2024100 %1
4 nov 2024100 %1
3 nov 2024100 %3
23 sep 2024100 %1
15 sep 2024100 %1
5 sep 2024100 %1
16 aug 2024100 %1
12 jul 2024100 %1
21 jun 2024100 %1
25 apr 2024100 %4
29 feb 2024100 %4
15 mar 2023100 %4
29 aug 2022100 %3
15 apr 2022100 %1
15 feb 2022100 %2
17 jan 2022100 %1

Om kursen

Mål

Kursens mål är att förklara vad maskininlärning är, vilka typer av maskininlärning som finns, deras möjligheter och begränsningar, samt få en överblick över olika metoder och tekniker som används för maskininlärning. Efter kursen kommer studenten kunna:

beskriva vad maskininlärning kan användas till, samt dess möjligheter och begränsningar.
beskriva hur data används för att träna en maskininlärningsmodell till att lösa ett givet problem.
beskriva under vilka förutsättningar som man kan förvänta sig att maskininlärningsmetoder presterar väl.
formulera maskininlärning som optimeringsproblem.
skilja mellan övervakad och oövervakad maskininlärning.
utvärdera prestandan hos en maskininlärningsmodell.
redogöra för vanliga metoder och modeller som används inom maskininlärning.

Innehåll

Kursen består av sju delar:

Vad är maskininlärning?
Övervakad inlärning: en första ansats
Parametriska modeller och ett statistiskt perspektiv på inlärning
Att förstå, utvärdera och förbättra prestandan
Neuronnät och djupinlärning
Generativa modeller och inlärning utifrån oannoterade data
Användaraspekter av maskininlärning

Examinator: Fredrik Lindsten
Schemalagd tid: 0 h
Huvudområde: Datavetenskap

Kursplanen på Studieinfo ↗