Maskininlärning 2D1431

Välkommen till kursen i Maskininlärning, 2D1431, Hösten 2006.

Maskininlärning handlar om hur datorprogram automatiskt kan förbättra sitt beteende genom att utnyttja sina tidigare erfarenheter. Ämnet ligger i gränslandet mellan artificiell intelligens, statistik, informationsteori, biologi och reglerteknik. Målet med denna kurs är att ge grundläggande kännedom om de teorier och algoritmer som används inom området.

Omtentamen 2007-06-07

Omtentamen i sal D35 kl 8-13.

The exam on 2007-06-07 will not be available in English. If this is a problem for you, please contact the teacher before the exam day.

Nyheter om Tentamen 2006-12-18

• Tentalydelsen finns här
• Lösningsförslag finns här

Lärare

• Kursledare: Örjan Ekeberg
• Föreläsare: Örjan Ekeberg och Danica Kragic
• Kursassistent: Johannes Hjorth

Kurslitteratur

Kursbok:

Mitchell: Machine Learning
McGraw-Hill, 1997
ISBN: 0-07-115467-1

Artikel om Adaboost:

R.E. Schapire. A brief introduction to boosting. In Proceedings of the Sixteenth International Joint Conference on Artificial Intelligence, 1999.

Artikel om Bagging:

J.R. Quinlan. Bagging, boosting, and C4.5 In Proceedings of the Thirteenth National Conference on Artificial Intelligence and the Eighth Innovative Applications of Artificial Intelligence Conference, pages 725-730, Menlo Park, August 4-8 1996, AAAI Press / MIT Press

Undervisning

Undervisningen sker i form av föreläsningar samt handledning i samband med laborationerna. Föreläsningarna ges på svenska.

• Schema och instuderingsfrågor för föreläsningarna.

Bilder från föreläsningarna

Introduktion	Utskriftsvänlig	För skärmen
Begreppsinlärning	Utskriftsvänlig	För skärmen
Beslutsträd	Utskriftsvänlig	För skärmen
Artificiella Neuronnät	Utskriftsvänlig	För skärmen
Bayesianska tekniker	Utskriftsvänlig	För skärmen
Bagging och Boosting	Utskriftsvänlig	För skärmen
Exempelbaserad inlärning	Utskriftsvänlig	För skärmen
Belöningsbaserad inlärning	Utskriftsvänlig	För skärmen
Genetiska algoritmer	Utskriftsvänlig	För skärmen
Lärbarhetsteori	Utskriftsvänlig	För skärmen
Regelinlärning	Utskriftsvänlig	För skärmen
Sammanfattning	Utskriftsvänlig	För skärmen

Labbanvisningar

Bokning av labbredovisningstider gör du genom vårt webbaserade bokningssystem.

• Anvisning till Labb 1 (Concept Learning)
• Anvisning till Labb 2 (Bayes Classifiers and Boosing)
  Felsökningshjälp till Labb 2
• Anvisning till Labb 3 (Reinforcement Learning)
• Anvisning till Labb 4 (Genetic Algorithms)

Obligatoriska moment

• Tentamen
• Fyra laborationer

Exempel på hur tentan kan komma att se ut får du genom att titta på 2004 års tenta, eller på tentan från 2003.

Labbar redovisade senast vid motsvarande schemalagda labbtillfälle ger bonuspoäng till tentan. Bonuspoängen påverkar inte godkäntgränsen, men läggs till tentapoängen när betyget ska beräknas. Maximal bonuspoäng (alla labbar redovisade i tid) ger fyra bonuspoäng (sex poäng motsvarar ett betygssteg).