TDDE69 · 6 hp · Grundnivå (G2F) · Informationsteknologi, Datateknik, Datavetenskap
Maskininlärning, grundkurs
Ges · nästa start HT 2026
100 %
klarade senaste ordinarie tillfället
UPG1 · 13 jan 2026 · 21 studenter
100 %
klarade de ordinarie tillfällena, alla tillfällen de senaste 5 åren
UPG1 · 43 studenter
Modulen rapporterar bara godkända resultat, så andelen godkända visar inte hur många som inte klarade den.
Ingår i 1 program
Inlämning eller laboration
UPG1 Laborations- och projektuppgifter
- G
Ordinarie tillfällen
100 % godkända · 43 studenter
- 100 %21
- 100 %22
Senare tillfällen
Inga tillfällen med minst 5 studenter.
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Övrigt moment
DAT1 Datortentamen
- 5
- 4
- 3
- U
Ordinarie tillfällen
87 % godkända · 31 studenter
- 100 %13
- 78 %18
Senare tillfällen
Inga tillfällen med minst 5 studenter.
- Får 4 eller 5: 48 % (31 studenter)
Visa små tillfällen (3)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 0 %1
- 100 %2
- 100 %4
Om kursen
Mål
Kursens övergripande mål är att ge en introduktion till maskininlärning, med fokus på övervakad inlärning. Efter avslutad kurs skall studenten kunna:
- Använda grundläggande begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem.
- Konstruera linjära och olinjära modeller för klassificering och regression och anpassa dessa till träningsdata.
- Utvärdera en modells prestanda samt redogöra för modellselektion och modelljustering.
- Kunna implementera grundläggande maskininlärningsmodeller och algoritmer i ett programmeringspråk.
Innehåll
Detta är en grundkurs i maskininlärning med fokus på klassificering och regression: linjär regression, regularisering, klassificering via logistisk regression, linjär diskriminantanalys, klassificering- och regressionsträd, boosting, neurala nätverk, djupinlärning (deep learning); praktiska aspekter så som korsvalidering, modellval, avvägning mellan bias och varians, tillämpning av metoderna på riktiga data.
- Examinator
- Sebastian Mair
- Schemalagd tid
- 0 h
- Huvudområde
- Informationsteknologi, Datateknik, Datavetenskap