F1B (tors 13-17)
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.
Undervisningens placering:
Campus Lyngby
Undervisningsform:
Forelæsininger og projektarbejde i grupper af 2-3
studerende
F1B, Mundtlig posterpræsentation i slutningen af
semesteret. Skriftlig rapport afleveres ved udgangen af
semesteret.
Evalueringsform:
Hjælpemidler:
Bedømmelsesform:
Pointspærring:
Anbefalede forudsætninger:
,
Overordnede kursusmål:
At sætte deltagerne i stand til at følge udvalgte emner af den
nyeste udvikling indenfor machine learning. 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, Python eller andet programmeringssprog
Strukturere og skrive en afsluttende kort teknisk artikel
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
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
