Toegepaste Machine Learning

Applied Machine Learning

Studiewijzer 2021/2022

Globale inhoud

The underlying question behind this course is how to algorithmically extract valuable information from raw data. Data Mining is an analytic process designed to explore data in search of consistent patterns and/or systematic relationships between variables, and then to validate the findings by applying the detected patterns to new subsets of data. The technological topics that will be covered in this course are:

• Classification algorithms
• Logistic regression
• Perceptron and neural networks
• Decision trees
• Support vector machines
• Clustering algorithms

The course will further focus on the experimental setup that allows the evaluation of the discussed algorithms, along with practical issues such as overfitting, skewed data, etc.  

Studiemateriaal

Literatuur

• Introduction to Machine Learning with Python. http://shop.oreilly.com/product/0636920030515.do

Syllabus

• Study Guide

Leerdoelen

• Explain basic machine learning algorithms - including their theoretical underpinning.
• Compare basic machine learning algorithms
• Apply machine learning algorithms in simple scenarios over different datasets.
• Analyze the results of different algorithms.
• Evaluate the results of different algorithms.
• Identify and give solutions to practical issues raised during the application of machine learning algorithms, such as avoiding overfitting, data normalization, handling skewed data, etc.

Onderwijsvormen

• Hoorcollege
• Werkcollege
• Laptopcollege
• Zelfstudie

Hoorcollege, werkcollege en practicum.

Verdeling leeractiviteiten

Aanwezigheid

Aanwezigheidseisen opleiding (OER-B):

• Voor practica en werkcolleges, met opdrachten, geldt een aanwezigheidsplicht, tenzij anders vermeld in de studiegids. Wanneer studenten niet voldoen aan deze aanwezigheidsplicht kan het onderdeel niet met een voldoende worden afgerond. De aanwezigheidsplicht met betrekking tot hoor-werkcolleges staat, indien van toepassing, vermeld in de studiegids.
  

Toetsing

Opdrachten

HW

• Theory-oriented homework (x6)

PA

• Practical assignment (x3)

HW and PA will be done in groups of two.

Fraude en plagiaat

Dit vak hanteert de algemene 'Fraude- en plagiaatregeling' van de UvA. Hier wordt nauwkeurig op gecontroleerd. Bij verdenking van fraude of plagiaat wordt de examencommissie van de opleiding ingeschakeld. Zie de Fraude- en plagiaatregeling van de UvA: http://student.uva.nl

Weekplanning

Rooster

Het rooster van dit vak is in te zien op DataNose.

Aanvullende informatie

1. Language: English
2. Recommended prior knowledge:
   • Understanding of mathematics
   • Familiarity with Python programming language

Contactinformatie

Coördinator

• prof. dr. E. Kanoulas