At give deltagerne kendskab til: * en række grundlæggende og bredt anvendte metoder til data modellering v.h.a. machine learning, * en generel struktur til datamodellering, * Matlab som værktøj til dataanalyse.
Kurset sætter således deltagerne i stand til at benytte machine learning til modellering af real-world data.
Læringsmål:
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
Beskrive struktureret datamodellering, herunder: dataforberedelse, featureudtrækning, modellering, visualisering og fortolkning.
Forklare et spektrum af machine learning metoder og deres anvendelser indenfor natur, computer og ingeniør-videnskab samt i bio-medicin.
Anvende strukturertet datamodellering indenfor et bredt udvalg af problemstillinger i bio-medicin, kemi, elektronik og informatik
Forklare centrale machine learning begreber som feature udtrækning, prædiktion, generalisation og visualisering.
Designe datamodellering gennem minimering af fejlfunktioner, som for eksempel principal komponent analyse, k-means klustering, mindste kvadraters metode og nærmeste nabo klassifikation
Designe simple, specifikke systemer ved brug af struktureret datamodellering.
Beregne resultater med Matlab i struktureret datamodellering.
Visualisere og fortolke resultater indenfor struktureret datamodellering.
Kursusindhold:
Struktureret datamodellering; data forberedelse, feature udtrækning; klassifikation; regression; klustering; visualisering og fortolkning af modeller; anvendelser indenfor et bredt spektrum af ingeniørvidenskab.
Litteratur:
Uddrag fra forskelligt lærebogsmateriale distribueres via kursets hjemmeside.
Bemærkninger:
Kurset er et grundlæggende kursus som er relevant for alle tekniske bachelorretninger. Kurset giver ligeledes forudsætninger for at deltage i videregående kurser indenfor machine learning.
