Opintojakson Tiedot.

数据科学硕士课程

数据科学方法模块

来自其他学位课程的学生可以使用该课程

第一学期（秋季）

通常是第2期

机器学习是最近人工智能（AI）的最新发展的核心技术，它在几个域中广泛应用。本课程将为您提供必要的理论背景，以了解基本机器学习概念，并以适当的方式使用监督和无监督学习的基本方法来解决现实生活问题。该课程将为机器学习的进一步研究做好准备，并向您介绍用于解决实践中问题的方法和工具。

进一步来说：

• 您将拥有必要的理论背景来理解和解释基本机器学习原则和概念（例如，培训数据，功能，模型选择，丢失功能，训练错误，测试错误，过度装备）。您认识到机器学习任务（任务，计算问题，模型，算法等）中的各种成分。
• 您能够将实际数据分析问题映射到机器学习任务中，采取正确的步骤来解决任务，并知道如何解释和评估结果。您了解机器学习解决方案的潜在假设和局限性。
• 您熟悉基本工具和适用于解决机器学习问题的编程环境，并且您能够独立地使用此类编程环境进行基本数据分析任务。
• 您了解泛化的概念，可以使用验证集方法，并且您能够评估机器学习方法的性能并进行模型选择。
• 您知道这些原则和能够申请真实世界问题以下技术：
• • 监督学习：基本回归方法（线性等），分类方法（至少一个示例：线性，基于距离，生成，鉴别和算法）。
  • 无人监督的学习：最重要的聚类形式主义（K-means，分层聚类）和最重要的维度减少方法（PCA，至少一个基于距离，至少一种歧管方法）。
• 您可以阅读机器学习文学（教科书，科学文章等），您可以在机器学习或其他需要机器学习方法的其他学科中进行准备。
• 您可以以可理解和连贯的方式向同龄人和未来的同事解释和向您的同事解释和报告您的机器学习方法和解决方案。

• 联系教学
• 在课程网页上每年指定可能的出勤要求

• 完成基于练习和术语项目。可能的其他完成方法将在课程网页上公布。

学生应该有以下先决条件知识例子提供必要技能的课程：

• BSC研究期间了解的通用技能，包括学术报告的写作。
• 高中数学与大学数学，包括差异化的基础。课程：Mat11001或者fys1010。
• 线性代数，包括基本矩阵和矢量操作，特征值和特征向量。课程：Mat11002.或者Mat11009或者fys1012。
• 概率和统计数据，包括随机变量，期望和概率规则。课程：MAT12003或者MAT11015或者fys1014。
• 编程技巧，一些编程经验，以及快速获取新环境的基础知识，如R或Python（课程：TKT10002或者fys1013）。此外，了解伪码的基本思想和大O表示法的时间和空间复杂性的基本思想是有用的。

该课程在课程网站上提供了简短的先决条件知识测试 - 该课程在网站上提供 - 其中包含所需先决条件和指向自学材料的指针的更详细描述。课程数据科学介绍和人工智能介绍建议但不需要。

课程在机器学习模块。在应用机器学习方法的其他学位计划中的课程。

该课程包括以下内容：

• 机器学习成分：组件（任务，计算问题，算法等）和必要的工具。
• 介绍统计学习和概率建模。
• 监督学习：基本定义，基本回归和分类算法（线性，概率，基于距离的模型）。
• 统计和评估：估算参数和重采样方法（包括验证集方法）。
• 无人监督的学习：聚类方法（K-Meanse，Cangolomerative聚类）和维度减少的基础（PCA和变体）。

• Gareth James，Daniela Witten，Trevor Hastie和Robert Tibshirani：在r中的应用统计学习介绍，Springer，2017年。
• 课程期间宣布了其他读数

所需的部件在课程网页上指定。

该课程包括讲座，解决练习，并进行术语项目。

评估和评分是基于完成的练习和术语项目。可能在课程网页上指定其他标准。

KaiPuolamäki.

适合交换学生