Introduktion til Machine Learning og AI

Code

SW-MAL1

Version

4.0

Offered by

Software Ingeniør

ECTS

Prerequisites

Kurset kræver grundlæggende viden om algoritmisk tænkning og generelt en god forståelse af matematiske begreber opnået gennem SW-DMA1 eller SW-MSE1 eller tilsvarende matematikkurser.
Noget programmeringserfaring er også forudsat, men ikke strengt nødvendigt.

Main purpose

Kurset giver en solid introduktion til maskinlæring og kunstig intelligens, hvor teoretiske koncepter kombineres med praktiske øvelser. Studerende arbejder med både strukturerede og ustrukturerede data for at opbygge de færdigheder, der kræves til at løse reelle problemstillinger. Der lægges vægt på at forstå og mestre hele datahåndteringsprocessen, fra analyse og forberedelse til udforskning af data, før maskinlæringsalgoritmer anvendes til at identificere mønstre og lave præcise forudsigelser.

Deltagerne lærer at vælge, finjustere og evaluere maskinlæringsmodeller med relevante målepunkter, hvilket styrker deres evne til at skabe tilpassede løsninger til praktiske udfordringer.

Centrale emner:
- Klassifikation: Lære at kategorisere data i foruddefinerede klasser.
- Regression: Lave præcise forudsigelser af kontinuerlige resultater baseret på inputdata.
- Klyngedannelse: Afsløre skjulte grupperinger i data.
- Dimensionreduktion: Forenkle høj-dimensionelle data uden at miste væsentlig information.

Knowledge

Ved kursets afslutning vil de studerende have opnået omfattende indsigt i centrale maskinlæringsalgoritmer, metoder, værktøjer og anvendelser, herunder:
- Databehandling og forbehandling: Håndtering af manglende data, normalisering og feature engineering.
- Klassifikationsalgoritmer: k-Nearest Neighbor, beslutningstræer, logistisk regression, Support Vector Machines og neurale netværk.
- Regressionsteknikker: Simpel og multipel lineær regression, Ridge- og Lasso-regression.
- Dimensionreduktionsteknikker: Principal Component Analysis
- Klyngemetoder: k-Means, agglomerativ klyngedannelse og DBSCAN.
- Evaluationsmetrikker: Præcision, recall, F1-score, MSE og krydsvalidering.

Skills

Efter kurset vil de studerende have opnået følgende færdigheder:
- Evnen til at forbehandle data og gøre det klar til maskinlæringsopgaver.
- Kompetence i at implementere og optimere klassifikationsmodeller ved brug af virkelige datasæt.
- Færdigheder til at anvende og fortolke regressionsteknikker til at forudsige kontinuerlige variabler.
- Evnen til at reducere datasæts dimensioner, mens væsentlig information bevares.
- Kompetencer i klyngedannelse af uklassificerede data og bestemmelse af det optimale antal klynger.
- Ekspertise i at anvende førende værktøjer inden for maskinlæring (f.eks. Scikit-Learn, Keras, TensorFlow).
- Evnen til kritisk at evaluere og forbedre modelpræstation ved hjælp af forskellige valideringsteknikker.

Competences

Ved afslutningen af kurset vil de studerende være i stand til at:
- Sikkert vælge de mest passende maskinlæringsteknikker til specifikke opgaver og problemstillinger.
- Tilpasse og optimere maskinlæringsalgoritmer for at forbedre deres ydeevne på forskellige datasæt.
- Designe og implementere maskinlæringssystemer til at løse komplekse, virkelige problemstillinger.
- Effektivt kommunikere og forsvare deres maskinlæringsløsninger og beslutninger over for både tekniske og ikke-tekniske interessenter.

Topics

Teaching methods and study activities

Undervisningen vil foregå som klasseundervisning og omfatte bade forelæsninger og projektarbejde.
Der vil være i alt seks gruppeprojekter i løbet af semesteret.

Resources

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

Yderligere materiale uploades til Itslearning.

Evaluation

Examination

Eksamensforudsætning:
Ingen

Eksamensform:

Individuel mundtlig eksamen, 20 minutter, uden forberedelse.
Eksamen tager udgangspunkt i en af de seks gruppeopgaver, som de studerende har afleveret i løbet af semesteret, i henhold til deadline.
Eksamen vil også omfatte en diskussion af en af de øvrige opgaver.
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

Course type

Keywords

Klassifikation, data mining, neurale netværk, regression, beslutningstræer, algoritmer, support vector machines, principal component analyse, klyngedannelse.