| Lärandemål |
Studerande behärskar numeriska verktyg för praktisk analys och visualisering av data, inkluderande grundläggande statistiska begrepp och frekvensanalys. Vidare behärskar studerande grunderna i maskininlärning med fokus på övervakad inlärning för regressionsmodeller och klassificeringsmodeller både gällande implementeringen av algoritmerna och utvärderingen av metoderna i MATLAB och/eller Octave.
Students are comfortable with numerical tools for practical analysis and visualization of data. This includes basic statistical concepts and frequency analysis. Furthermore students are comfortable with basic machine learning with a focus on supervised learning for regression and classification, the implementation of the algorithms and an evaluation of the methods in MATLAB and Octave.
|
| Innehåll |
Praktisk analys och visualisering av mätdata.
Medelvärde, standardavvikelse, fördelningsfunktioner, multivariabla och korrelerade observationer, normalisering av data.
Frekvensanalys, diskret Fourier-transform, periodiska funktioner, artefakter vid icke-periodiska sekvenser, fönsterfunktioner. Stokastiska signaler, auto- och korskorrelationer.
Övervakad inlärning:
– Linjär regression med en och flera variabler
– Numerisk optimering med gradient descent
– Olinjära transformationer, överanpassning och regularisering
– Olinjära modeller med artificiella neurala nätverk
– Logistisk regression och klassificering för två och flera klasser
– Artificiella neurala nätverk tillämpat på klassificering
Oövervakad inlärning och k-medelvärdeskluster (k-means cluster) algoritmen
Practical analysis and visualization of data.
Mena values, standard deviation, probability density functions, multivariate and correlated observations, normalization of data.
Frequency analysis, discrete Fourier transform, periodic functions, artifacts with non-periodic sequences, window functions. Stochastic signals, auto- and cross-correlation functions.
Supervised learning:
– Linear regression with one and more variables
– Numerical optimization with gradient descent
– Nonlinear transformations, over-fitting and regularization
– Nonlinear models using artificial neural networks
– Logistic regression and classification for two and more classes
– Artificial neural networks for classification
Unsupervised learning and the k-means cluster algorithm
|
| Examination |
Övningar och tentamen/projektuppgift
Bedömningskriterier:
Tillfredsställande insikter (1-2)
Den studerande
– har grundläggande förståelse för hur man kan utnyttja teknisk mjukvara för att analysera och visualisera data
– känner till algoritmer för anpassning av modeller till data
– känner till övervakad och oövervakad inlärning
– känner till frekvensanalys
Goda insikter (3-4)
Den studerande
– har god förståelse för hur man kan utnyttja teknisk mjukvara för att analysera och visualisera data
– kan utnyttja och modifiera algoritmer för anpassning av modeller till data
– kan utnyttja enkla algoritmer både för övervakad och oövervakad inlärning
– kan utnyttja metoder för frekvensanalys, visualisera och tolka resultaten
– kan sammanfatta sin analys i enklare rapporter
Utmärkta insikter (5)
Den studerande
– har utmärkt förståelse för hur man kan utnyttja teknisk mjukvara för att analysera och visualisera data
– kan välja, utnyttja och modifiera algoritmer för anpassning av modeller till data
– kan välja och implementera enkla algoritmer både för övervakad och oövervakad inlärning
– förstår och kan implementera metoder för frekvensanalys, visualisera och tolka resultaten
– förstår och kan sammanfatta sin analys och reflektera över resultaten i rapporter
Assignments and exam/project assignment
|
| Arbetsformer |
Föreläsningar varvade med interaktiva demonstrationer, exempel, laborationer och projektuppgifter.
Lectures with interactive demonstrations, examples and assignments.
|