Maskininlärning för smarta städer

Mål

Kursen ska ge kunskap om hur du använder avancerade modeller och djupinlärningsarkitekturer för att lära dig av data för att få insikter för att kunna ta beslut om tillämpningar inom smarta städer.

Den studerande ska efter genomgången kurs kunna:

• Förklara antaganden och teorier bakom olika metoder av maskininlärning
• Förklara och motivera skillnader i egenskaper mellan olika typer av metoder och ge exempel på när de bör tillämpas
• Utvärdera och välj bland olika metoder för en specifik probleminstans och datamängder
• Använd befintliga datamängder för att träna och utvärdera olika maskininlärningsmodeller
• Använd utvalda maskininlärningsmodeller för förutsägelse, slutledning och beslutsfattande för tillämpningar inom smarta städer

Innehåll

Kursen ska ge kunskap inom maskininlärning. Kursen kommer att behandla både konventionella maskininlärningsmetoder samt djupinlärning. Kursens innehåll inkluderar statistisk slutledning, bias-variance tradeoff, Bayesiansk inlärning, Gaussiska processer, stödvektormaskiner, kernels/kärnor, neurala nätverk, deep learning och förstärkningsinlärning