02460 Avanceret machine learning

2021/2022

Kursusinformation
Advanced Machine Learning
Engelsk
5
Kandidat
Kurset udbydes som enkeltfag
F1B (tors 13-17)
Kurset indledes med forelæsninger og øvelser i F1B. Derefter udføres gruppearbejde i grupper af 2-4 studerende og projektmøder aftales med vejleder.
Campus Lyngby
Projektarbejde i grupper af 2-4 studerende
13-uger
Mundtlig præsentation i slutningen af semesteret. Skriftlig rapport afleveres ved udgangen af semesteret.
Mundtlig eksamen og bedømmelse af rapport(er)
Mundtlig præsentation og rapport vægtes ligeligt
Skriftlige hjælpemidler er tilladt
7-trins skala , ekstern censur
02459
02457. 02450 , Elementær lineær signalbehandling. Lineær algebra. Multivariat statistik. Sandsynlighedsregning. Introduktion til Machine Learning og Datamodellering. Ikke-lineær signalbehandling.
Maksimum: 100
Søren Hauberg , Tlf. (+45) 4525 3899 , sohau@dtu.dk
Lars Kai Hansen , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3889 , lkai@dtu.dk
01 Institut for Matematik og Computer Science
I studieplanlæggeren
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
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 præsentation
Kursusindhold
Kurset starter med indledende forelæsninger. Deltagerne gennemfører derefter et projekt indenfor de relevante områder. Fokus er på projektarbejde. Emnerne falder indenfor 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.
Litteraturhenvisninger
Christopher Bishop, Pattern recognition and machine learning, Springer.
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.
Sidst opdateret
29. april, 2021