I denna kurs kommer studenterna att lära sig om förhållandet mellan data, modeller och algoritmer för att förstå hur man bearbetar och drar slutsatser av data genom datautvinning och maskininlärning. Kursen introducerar teori om maskininlärning, men fokuserar främst på aktuella tillämpbara metoder. Framgångsrika maskininlärningsapplikationer måste utformas genom ett kritiskt engagemang och förståelse för data, de algoritmer som kan tillämpas baserat på de egenskaper som data uppvisar och att välja rätt maskininlärningsparadigm. Denna kurs ger en grundläggande grund för att använda maskininlärning på ett etiskt och ansvarsfullt sätt. Vilka är de dominerande paradigmen inom maskininlärning och i vilka situationer används de bäst? Vilka perspektiv bör vi överväga när vi utformar maskininlärningsapplikationer? Varför är ett kritiskt perspektiv viktigt för att utveckla maskininlärning?
Under kursens gång får deltagarna sätta upp sin egen AI-modell samt träna den på antingen ett eget (om det finns) eller ett tillhandahållet dataset.
Följande ämnen tas upp i kursen:
• Statistiska och probabilistiska metoder för dataanalys.
• Olika metoder för datamining.
• Algoritmer för övervakad och oövervakad maskininlärning.
• Neurala nätverk och djupinlärning.
• Dataextraktion: syfte och vanliga användningsområden.
• Rutiner för att importera, kombinera, omvandla och välja data för inlärning och validering.
• Valideringsmetoder och prestandamått.
• Etik och regleringar gällande användning och bearbetning av persondata. För mer information om kursen, vänligen kontakta Tobias Nyberg (tnybe@kth.se).