Modulets indhold, forløb og pædagogik

Kurset tager udgangspunkt i grundlæggende principper inden for machine learning og forskellige læringsparadigmer. Disse principper anvendes til udvikling, træning og evaluering af modeller til klassifikation, regression og clustering. Der lægges vægt på feature-repræsentation, dimensionalitetsreduktion, modelinterpretation samt forståelse af modellernes performance, begrænsninger og centrale udfordringer i praktiske machine learning systemer. Kurset omfatter centrale metoder inden for både superviseret og usuperviseret læring samt en introduktion til basale neurale netværk.

Læringsmål

Viden

Studerende, der gennemfører modulet, vil være i stand til:

• Forklare med eksempler centrale begreber inden for machine learning, herunder forskellige læringsparadigmer (fx superviseret og usuperviseret læring)
• Forklare opbygningen af et machine learning system og dets centrale komponenter
• Forklare machine learning livscyklussen og de centrale faser fra dataindsamling til deployment og vedligeholdelse
• Sammenligne klassiske machine learning metoder, herunder regression, klassifikation og clustering
• Forklare centrale udfordringer i machine learning, såsom datakvalitet, featurevalg, overfitting og underfitting
• Beskrive neurale netværk og deres opbygning

Færdigheder

Studerende, der gennemfører modulet, vil være i stand til at:

• Anvende udvalgte machine learning metoder til klassifikation og regression
• Anvende udvalgte metoder til dataforberedelse, herunder feature repræsentation og udvælgelse
• Implementere og evaluere modeller ved hjælp af relevante performance-mål
• Anvende metoder til modelvalidering (fx krydsvalidering)
• Anvende metoder til dimensionalitetsreduktion og feature selection
• Foretage grundlæggende analyse og fortolkning af modellernes performance og fejl

Kompetencer

Studerende, der gennemfører modulet, vil være i stand til at:

• Indgå i udviklingen af machine learning løsninger til sundhedsteknologiske problemstillinger
• Vurdere anvendeligheden af forskellige machine learning metoder i konkrete situationer
• Reflektere over datakvalitet samt modellernes styrker og begrænsninger
• Formidle resultater fra machine learning analyser

Undervisningsform

Der undervises i modulet jf. studieordningens § 17.

Eksamen

Prøver