02452 Machine learning

2025/2026

Kursusinformation
Machine Learning
Engelsk
5
Kandidat
Kurset udbydes som enkeltfag
Polyteknisk grundlag (MSc), Technology Entreneurship
Retningsspecifikt kursus (MSc), se flere
Retningsspecifikt kursus (MSc), Applied Chemistry
Retningsspecifikt kursus (MSc), Architectural Engineering
Retningsspecifikt kursus (MSc), Autonomous Systems
Retningsspecifikt kursus (MSc), Communication Technologies and System Design
Retningsspecifikt kursus (MSc), Earth and Space Physics Engineering
Retningsspecifikt kursus (MSc), Environmental Engineering
Retningsspecifikt kursus (MSc), Human-Centered Artificial Intelligence
Retningsspecifikt kursus (MSc), Pharmaceutical Design and Engineering
Retningsspecifikt kursus (MSc), Quantitative Biology and Disease Modelling
Retningsspecifikt kursus (MSc), Wind Energy
E4A (tirs 13-17)
Campus Lyngby
Aktiviteterne skifter mellem forelæsninger, opgaveregning og øvelser i Python.
13-uger
Eksamen afholdes på en særlig dag: klik på Eksamensplacering til venstre for at se dato
Skriftlig eksamen og bedømmelse af opgave(r)
Godkendelse af opgaver er en forudsætning for at bestå kurset.
Skriftlig eksamen: 4 timer
Ingen hjælpemidler :

Multiple choice.
Ingen elektroniske hjælpemidler (f.eks. lommeregnere).
Kun tilladt at medbringe to A4-ark håndskrevne noter.

7-trins skala , ekstern censur
02450/02451
(01001/01002/01003/01004/01005).­(02402/02403).­(02002/02101/02102/02525/02631/02632/02633/02692) , Grundkursus i lineær algebra og matematisk analyse, kendskab til sandsynlighedsregning og statistik, kendskab til Python.
Morten Mørup , Tlf. (+45) 4525 3900 , mmor@dtu.dk
Georgios Arvanitidis (Primær kontaktperson) , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 5241 , gear@dtu.dk
Bjørn Sand Jensen , bjje@dtu.dk
01 Institut for Matematik og Computer Science
http://www.compute.dtu.dk/courses/02451
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 give deltagerne kendskab til:
* en generel struktur til datamodellering
* en række grundlæggende og bredt anvendte machine learning metoder
* Python som værktøj til dataanalyse, datamodellering, og machine learning

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:
  • Forklare de vigtigste trin der er involveret i datamodellering fra forberedelse af data, modellering af data til evaluering og formidling af resultaterne.
  • Diskutere centrale machine learning begreber som featureudtrækning, kryds-validering, generalisering og overindlæring, prædiktion, curse of dimensionality og bias-varians tradeoff.
  • Matche praktiske problemer til standard datamodelleringsproblemer såsom dimensionalitetsreduktion, regression, klassifikation, tæthedsestimering og gruppering (clustering).
  • Skitsere hvordan relevante machine learning metoder virker samt beskrive deres forudsætninger, begrænsninger og styrker.
  • Anvende og modificere machine learning algoritmer i Python.
  • Anvende visualiseringsteknikker og statistik til at evaluere modelpræstationer, identificere mønstre og problemer med data.
  • Udvælge, kombinere og modificere datamodelleringsmetoder for at analysere data og formidle resultaterne af analysen.
  • Anvende struktureret datamodellering indenfor en bred vifte af anvendelsesområder såsom medicoteknik, bio-informatik, kemi, elektronik og computer science.
Kursusindhold
Struktureret datamodellering.
Dataforbedredelse og featureudtrækning.
Beskrivende statistikker.
Similaritetsmål.
Kostfunktioner (inkl. maximum likelihood).
Optimeringsmetoder til machine learning.
Overindlæring, generalisering, regularisering og bias-varians trade-offs.
Krydsvalidering.
Statistisk evaluering og sammenligning af machine learning modeller.
Visualisering og fortolkning af modeller.
Dimensionalitetsreduktion (inkl. principal komponent analyse).
Klassifikationsmetoder (beslutningstræer, logistisk og multinomial regression, nærmeste nabo, naiv Bayes, feed forward neurale netværk og ensemblemetoder).
Regressionsmetoder (regressionstræer, lineær regression, nærmeste nabo, feed forward neurale netværk og ensemblemetoder).
Gruppering (k-means, hierarkisk gruppering og miksturmodeller).
Tæthedsestimering (kernel tæthedsestimering, Gaussiske miksturmodeller, og EM-algoritmen).
Anomali/​outlier-detektion (inkl. tæthedsbaserede metoder).
Litteraturhenvisninger
Kursusnoter
Bemærkninger
Kurset er et grundlæggende machine learning kursus som er relevant for alle masterretninger. Kurset giver en indføring i grundlæggende machine learning, matematikken bag metoderne samt hands-on erfaring i metodernes anvendelser. Kurset kan således stå alene.
Sidst opdateret
28. juli, 2025