Modulets indhold, forløb og pædagogik

Læringsmål

Viden

Efter at have afsluttet modulet vil de studerende have opnået viden om udvalgte emner inden for avanceret maskinlæring. Listen over emner kan omfatte, men er ikke begrænset til, emnerne herunder. Den specifikke studieplan vil dække tre til fem emner. De studerende vil blive informeret om de specifikke emner inden kursets begyndelse:

• Dybe neurale netværk, herunder konvolutionsnetværk og tilbagevendende netværk
• Understøttende vektormaskiner og kerner
• Gaussiske processer
• Inferensmetoder til probabilistiske modeller, herunder varierende interferens og Markov-kæden Monte Carlo (MCMC).
• Latente variable modeller, herunder emnemodeller

Færdigheder

Efter at have afsluttet modulet, skal den studerende kunne

• forklare og diskutere principperne bag maskinindlæringsmodeller og algoritmer, der præsenteres i forløbet.
   
• forklare og begrunde vigtige avancerede maskinlæringsemner ved hjælp af korrekt terminologi og notation fra forskningsfeltet.
   
• anvende og evaluere avancerede maskinlæringsalgoritmer og modeller til et bestemt problem.

Kompetencer

Efter at have afsluttet modulet, skal den studerende kunne

• analysere og evaluere brugen af avancerede maskinlæringsteknikker til løsning af et bestemt maskinlæringsproblem.
   
• evaluere og vælge en passende maskinlæringsalgoritme til et bestemt problem.
   
• relatere og kombinere relevante emner fra kurset til løsning af et bestemt maskinlæringsproblem.

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

Yderligere informationer

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