Maskinlæring

2022/2023

Modulets indhold, forløb og pædagogik

Læringsmål

Viden

Centrale modeller inden for maskinlæring samt deres tilhørende lærings- og inferens-teknikker, som f.eks.:

  • Statistiske lineære modeller

  • Markov kæder og skjulte Markov modeller

  • Support Vector machines

  • Neurale Net

  • Probabilistiske grafiske modeller

  • Matrice faktorisering

Anvendelsen af maskinlæringsmetoder inden for udvalgte anvendelsesområder, som f.eks.:

  • Web og network mining

  • Anbefalingssystemer

  • Computer spil

  • Billedanalyse  

  • Tekst mining   

Færdigheder

  • kunne anvende avancerede teknikker fra maskinlæring til konstruktion af intelligente systemer

Kompetencer

  • at forstå avancerede metoder  inden for maskinlæring til design af intelligente systemer

  • at analysere deres anvendelighed og virkning ved løsning af specifikke opgaver

Undervisningsform

Undervisningen tilrettelægges i henhold til de generelle undervisningsformer for uddannelsen jf. § 17.

Omfang og forventet arbejdsindsats

Det forventes at den studerende bruger 30 timer per ECTS, hvilket for denne aktivitet betyder 150 timer.

Eksamen

Prøver

Prøvens navnMaskinlæring
Prøveform
Skriftlig eller mundtlig
ECTS5
Bedømmelsesform7-trins-skala
CensurIntern prøve
VurderingskriterierVurderingskriterierne er angivet i Universitetets eksamensordning

Yderligere informationer

Kontakt: Studienævn for datalogi via cs-sn@cs.aau.dk eller 9940 8854

 

Fakta om modulet

Engelsk titelMachine Learning
ModulkodeDSNDATFK213
ModultypeKursus
Varighed1 semester
SemesterForår
ECTS5
UndervisningssprogDansk og engelsk
TompladsJa
UndervisningsstedCampus Aalborg
Modulansvarlig

Organisation

StudienævnStudienævn for Datalogi
InstitutInstitut for Datalogi
FakultetDet Tekniske Fakultet for IT og Design