F1B Kurset indledes med forelæsninger og øvelser i F1B (sædvanligvis 3-4 uger). Derefter udføres gruppearbejde i grupper af 2-3 studerende og projektmøder aftales med vejleder.
Undervisningsform:
Forelæsininger og projektarbejde i grupper af 2 studerende
Særlig dag
Mundtlig posterpræsentation i slutningen af semesteret. Skriftlig rapport afleveres ved udgangen af semesteret.
Evalueringsform:
Hjælpemidler:
Bedømmelsesform:
Pointspærring:
Faglige forudsætninger:
Ønskelige forudsætninger:
,
Deltagerbegrænsning:
Maksimum: 30
Overordnede kursusmål:
At sætte deltagerne i stand til at følge udvalgte emner af den nyeste udvikling indenfor machine learning og sekundært signalbehandling. At anvende metoderne i et af mange mulige områder indenfor teknik og videnskab.
Læringsmål:
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
Opstille egne læringsmål for projektforløbet
Indsamle videnskabelig viden og data om projektets emne med udgangspunkt i projektoplæg
Foretage en velbegrundet afgrænsning af projektet samt formulere specifikke hypoteser og mål
Organisere samarbejdet i projektgruppen
Planlægge og gennemføre et projektforløb i samarbejde med projektvejlederen
Designe et machine learning baseret system med udgangspunkt i analyse af problemstilling og projekts mål samt udvælge relevante algoritmer og metoder
Vurdere og sammenfatte projektets resultater i relation til mål, metoder og tilgængelige data
Udføre projektet og fortolke resultater ved anvendelse af Matlab
Strukturere og skrive en afsluttende kort teknisk rapport indeholdende problemformulering, metodebeskrivelse, eksperimenter, evaluering og konklusion
Præsentere metoder, resultater ved møder med projektvejleder og andre projektgrupper
Organisere og fremlægge resultater af projekt ved afsluttende posterpræsentation
Kursusindhold:
Der indledes med forelæsninger introducerende en række områder, der har forskningsmæssig interesse. Som eksempler på områder kan nævnes: Prædiktion af tidssignaler, neurale netværk, skjulte Markov modeller og Kalman filtre til modellering af sekventiel data, Bayesiansk modellering og klassifikation, uafhængig komponent analyse, separation og analyse af audiosignaler. Deltagerne gennemfører derefter et projekt inden for de fremlagte områder.
Bemærkninger:
Dette kursus er et videregående kurser indenfor machine learning og signalbehandling og del af fokusområdet Machine Learning and Signal Processing under Master of Mathematical Modelling and Computing uddannelsen.
Mulighed for GRØN DYST deltagelse:
Kontakt underviseren for information om hvorvidt dette kursus giver den studerende mulighed for at lave eller forberede et projekt som kan deltage i DTUs studenterkonference om bæredygtighed, klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk/kursustilmelding.aspx
