i.uoh.oru.V5125.20201 DT103A 2026-06-21T05:17:16 2022-09-15 Denna kurs innehåller två delkurser: maskininlärning och probabilistisk robotik. Maskininlärning handlar om de metoder som används i datorseende, bildbehandling, taligenkänning, bioinformatik med mera. Kursen ger en översikt och praktiska rekommendationer för tillämpning av de många tekniker och algoritmer som används inom modern maskininlärning för klassificering, prediktering och klustring. Algoritmerna och teknikerna implementeras från grunden i Matlab eller Octave. Probabilistisk robotik behandlar moderna probabilistiska metoder för mobila robotar, med särskilt fokus på lokalisering och kartläggning (s.k. SLAM). Genom att räkna med sannolikheter för vilket tillstånd en robot befinner sig i eller hur dess omgivning ter sig, har man möjlighet att utveckla robustare metoder än om man använder deterministiska metoder. I kursen lär du dig ett antal probabilistiska metoder för lokalisering och kartering samt deras matematiska bakgrund. This course consists of two modules: Machine Learning and Probabilistic Robotics. Machine Learning is about modern methods used in computer vision, image processing, speech recognition, bioinformatics, etc. This module gives an overview and practical recommendations for the application of the many models and algorithms used in modern machine learning for classification, prediction, and clustering. The algorithms and techniques are implemented from scratch in Matlab or Octave. Probabilistic Robotics covers modern probabilistic methods for mobile robots, with a particular focus on mapping and localisation (SLAM). By explicitly considering the probability that a robot is in a certain state or that its environment has certain properties, it is possible to develop more robust methods that work well in an uncertain world. In this course you will learn a number of probabilistic methods for localisation and mapping, as well as their mathematical underpinnings.

false 15 Examen på grundnivå om 180 hp med datavetenskap/datateknik som huvudområde och 15 hp i matematik (analys och algebra). Alternativt examen på grundnivå om 180 hp varav 30 hp i matematik (analys och algebra) och 15 hp i datateknik/datavetenskap (som innehåller programmering). Dessutom krävs Engelska 6/Engelska B samt 7,5 hp på avancerad nivå i kurser som innehåller programmering eller matematisk statistik. First-cycle degree of 180 credits, with Computer Science as the main field of study, and at least 15 credits in mathematics (analysis and algebra), or first-cycle degree of 180 credits, and at least 30 credits in mathematics (analysis and algebra), as well as at least 15 credits in Computer Science or Informatics (which includes programming). The applicant must also have qualifications corresponding to the course "English 6" or "English B" from the Swedish Upper Secondary School, as well as at least 7.5 credits from second-cycle courses that include programming or mathematical statistics. uh