Copenhagen School of Design and Technology

da

Machine Learning

2024/2025
Engelsk titel
Machine Learning
Uddannelse
Datamatiker
Uddannelsestype
Fuldtidsuddannelse
Niveau
Erhvervsakademi
Semester
4. semester
Fagets/modulets varighed
1 semester
Ects
10
Udd. element
Valgfag
Sprog
Dansk og engelsk
Opstart
Efterår
Forår
Studiested
Guldbergsgade 29 N, København N
Fagkode
3050414 / 4505-10508 / 4505-10625
Fag- /modulansvarlig
Jon Eikholm
  • Formål og læringsmål

    Maskinlæring (ML) er et dybt fascinerende emne. Her kan udviklere skrive programmer, der "magisk" løser vanskelige problemer. Giv algoritmen noget data, og den forudsiger et resultat. Hvis du ikke er tilfreds, så tilføj mere data og/eller træn modellen. Repeat

    I dette kursus lærer du, hvordan man bruger maskinlæring (ML) til at løse forskellige typer af problemer. Vi starter med et enkelt problem hvor man træner en model til at opføre sig som en logisk AND-operator. Derefter bevæger vi os videre til at forudsige højde baseret på alder og at forudsige folks politiske holdninger baseret på socio-økonomiske data.
    Dette kursus vil fokusere på at forstå grundlæggende ML. Vi vil løse det samme problem på 3 forskellige måder: Først ved hjælp af Google Sheets, derefter et Deep Neural Network Simulationsværktøj og til sidst ved hjælp af Keras i Python.

    Vi arbejder med følgende:
    Deep Neural Network (DNN)
    Convolutional Neural Networks (CNN)
    Recurrent Neural Networks (RNN)
    Reinforcement Learning
    Generative Pretrained Transformer (GPT)

    Målet er at inspirere den studerende til at finde sit eget problem at løse.

    Værktøjer:
    • Google Sheet
    • Simulationsværktøj (online)
    • Google Colaboratory
    • Keras og TensorFlow

    Programmeringssprog: Python. Der forventes ikke at man kender Python i forvejen.

    Viden

    Den studerende:
    • ved, hvordan en computer kan lære.
    • kender flere ML-metoder, såsom Regression, Klassifikation, Clustering og Deep Learning. Og derfor begreberne Supervised Learning og Unsupervised Learning.
    • kender værktøjer som Keras, Tensorflow, Numpy og Pandas.

    Færdigheder

    Den studerende:
    • kan bruge ML til at løse praktiske opgaver.
    • kan forberede et datasæt fra rå data. Dette inkluderer Data cleaning, Feature Selection, Data Transformations og Feature Engineering.
    • kan lave visuel repræsentation af data
    • kan træne og teste en model.

    Kompetencer

    Den studerende:
    • ved, hvordan man vælger en relevant ML-metode til at løse et givet problem.
    • kan vurdere kvaliteten og effektiviteten af en løsning.
    • kan finde og bruge relevante online ressourcer og dokumentation til at bygge en ML-løsning.

  • Undervisningsform
    Præsentationer af nyt materiale i klassen. Videoer, som underviser har lavet. Øvelser i klassen. Gruppearbejde og individuelle opgaver.
  • Forudsætninger for at deltage i faget

    Faglige forudsætninger for at deltage i faget
    Den studerende skal kende til programmering på niveau med 3. semester KEA Computer Science AP

    Materielle forudsætninger for at deltage i faget
    Windows, macOS eller Linux

  • Prøve

    Læringsmålene for prøven er identiske med fagets/fagenes læringsmål

    Forudsætninger for indstilling til eksamen
    Der vil være 2 obligatoriske øvelser. De skal afleveres og godkendes, for at den studerende får adgang til en eksamen. Den 2. obligatoriske øvelse kan bruges som et eksamensprojekt.
    Faget prøves
    Faget/modulet prøves selvstændigt
    Prøveform
    Kombineret skriftlig og mundtlig prøve
    • Mundtlig eksamen på 25 minutter med intern censor.
    • 10 minutters præsentation
    • 15 minutters spørgsmål og svar
    • Studerende præsenterer eksamensprojekt
    • Projekt demo
    • Forklar interessante dele og valg af teknologier
    • Spørgsmål og svar om projekt og pensum

    Ingen rapport
    Individuel eller gruppeprøve
    Individuel
    Anvendt sprog til prøven
    Engelsk
    Varighed
    30 minutter inkl. votering og skift
    Bedømmelsesform
    7-trins skala
    Bedømmer(e)
    Intern censur
    Kriterier for prøvevurdering
    Der gives en samlet karakter ud fra en helhedsvurdering af produktet og den mundtlige eksamen
64
timers undervisning
210
timers forberedelse
Tallene viser omfanget af arbejdsbelastningen relateret til faget fordelt på forskellige studieaktiviteter.

På faget Machine Learning modtager du 64 timers undervisning, hvilket svarer til 85 lektioner (1 lektion = 45 min.) og 23% af din samlede arbejdsbelastning på faget.

Undervisningen vil primært bestå af følgende aktiviteter: klasseundervisning, øvelser, gruppearbejde.
Forberedelsen vil primært bestå af følgende aktiviteter: øvelser.

Læs om KEAs studieaktivitetsmodel

*KEA kan fravige det angivne timetal, hvis det er begrundet i særlige forhold.