Print

Introduktion til Machine Learning og AI (fra S25) (under udarbejdelse)

Code

SW-MAL1

Version

3.0

Offered by

Software Ingeniør

ECTS

5

Prerequisites

Main purpose

​I dette ​​kursus vil studerende tilegne sig både teoretisk viden og praktiske færdigheder i anvendelsen af maskinlæringsmetoder på et spektrum af datatyper, der omfatter både strukturerede og ustrukturerede datasæt. ​​Pensum er designet til at sikre, at deltagerne grundigt forstår og kan dygtigt anvende avancerede værktøjer og teknikker, der er afgørende for dataforberedelse, forbehandling og udforskning. Studerende vil blive udstyret til at opdage underliggende sturkturer og træffe informerede forudsigelser. 

Centralt i kurset er fire primære emner: 
Klassificering: Forståelse og kategorisering af data i foruddefinerede klasser. 
Regression: Forudsigelse af kontinuerlige output baseret på datainput.
Klyngeanalyse: Identifikation af de medfødte grupperinger inden for datasæt.
Reduktion af dimensionalitet: Forenkling af komplekse datastrukturer uden at miste kritisk information.

Knowledge

​After having successfully completed the course, the student will have gained knowledge about algorithms, methods, techniques, tools, and applications within the following machine learning methods:

- ​Different data preparation and preprocessing methods
- Different types of classification algorithms, e.g., Naïve Bayes, k-Nearest Neighbor, Decision Trees, Logistic Regression, Support Vector Machines
- Different types of regression algorithms, e.g., simple linear regression, multiple linear regression, Ridge regression, Lasso regression
- Different types of dimensionality reduction algorithms, e.g. Principal component analyses, singular value decomposition, factor analysis
- Different types of clustering algorithms, e.g. k-Means clustering, Agglomerative clustering, DBSCAN
- Different metrics for assessing the strength and quality of their machine learning algorithms

Skills

​After successfully completing the course, the student will have developed the following skills:

- Ability to prepare and preprocess data for various machine learning applications effectively.
- Proficiency in implementing and tuning classification algorithms and selecting the appropriate classifier for a given ​dataset.
- Capability to apply regression techniques to predict continuous variables and evaluate the predictive ability of regression models.
- Using dimensionality reduction algorithms to interpret and simplify complex datasets.
- implementing clustering algorithms to categorize unlabelled datasets and determining the optimal number of clusters.
- Ability to use various machine learning tools and libraries
- Critical evaluation of model performance using various metrics and validation techniques.​

Competences

​​Upon completion of the course, students are expected to have acquired the competences to:

- Make informed decisions regarding the selection and application of machine learning techniques tailored to specific problem domains.
- Fine-tune and parametrize machine learning algorithms to optimize their performance on specific datasets.
- Conceptualize, design, and develop machine learning solutions for real-world problems.
- Articulate, communicate, and deliberate machine learning solutions, their implications, and associated decisions with both domain experts and non-technical persons.​

Topics

Teaching methods and study activities

Undervisningsformen vil være klasseværelsesbaseret og vil omfatte forelæsninger og projektarbejde i klassen. Der er i alt seks mindre kursusopgaver i løbet af semestret samt et afsluttende gruppeprojekt. Den samlede arbejdsbyrde for den studerende forventes at være omkring 125 timer.

​

Resources

​Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow by Aurélien Géron. 3rd edition, 2022.

Yderligere materiale uploades til Itslearning.

Evaluation

Examination

Eksamensforudsætning: 
I slutningen af kurset skal den studerende uploade et 1-siders resumé af hver af deres 6 opgaver samt et 2-siders resumé af deres gruppeprojekt. Resuméerne skal indeholde en kort beskrivelse af: 

1. Opgavens problem
2. hvordan opgaven blev løst, f.eks. dataindsamling, dataforberedelse, feature engineering, feature extraction osv. 
3. de algoritmer, der blev brugt til at løse problemet. 
4. udførelsen af den endelige model 
5. en refleksion over læringsudbyttet.

Hvis eksamensforudsætning ikke er opfyldt, skal den studerende gennemføre en skriftlig opgave i WISEflow for at blive indstillet til reeksamen. 
Denne opgave planlægges efter den ordinære eksamen. 

Eksamensform:  

Individuel mundtlig eksamen, 20 minutter​, der tager afsæt i en af de seks opgaver, som den studerende har udført i løbet af semesteret. 
Prøven vil også omfatte en diskussion af gruppeprojektrapporten.
Den endelige karakter vil være baseret på en samlet bedømmelse af de seks opgaver, gruppeprojektrapporten og den mundtlige prøve.
Ekstern bedømmelse. 

Tilladte værktøjer: 
Ikke relevant

Reeksamen: 
Gennemføres som ordinær eksamen.

Grading criteria

Karakter efter 7-trinsskalaen.

Additional information

Responsible

Richard Brooks (rib)

Valid from

01-02-2025 00:00:00

Course type

Keywords

Classification, data mining, neural networks, regression, decision trees, algorithms, support vector machines, principal component analysis, clustering