| TDDE07 |
Bayesianska metoder, 6 hp
/Bayesian Learning/
För:
D
IT
U
|
| |
Prel. schemalagd
tid: 48
Rek. självstudietid: 112
|
| |
Utbildningsområde: Teknik
Huvudområde: Datateknik, Datavetenskap Nivå (G1,G2,A): A
|
| |
Mål:
IUAE-matris
Kursen ger en gedigen introduktion till bayesiansk inlärning, med speciell fokus på teori, modeller och metoder som används inom tillämpad maskininlärning. Grundläggande ideér och begrepp inom bayesiansk analys presenteras genom detaljerad analys av enklare sannolikhetsmodeller. Kursen presenterar de vanligast förekommande simuleringsalgoritmerna, och visar hur dessa algoritmer kan användas för att lösa komplexa maskininlärningsproblem.
Efter genomgången kurs ska den studerande kunna:
- härleda posteriorfördelningen i ett antal enklare sannolikhetsmodeller
- använda simuleringsmetoder för bayesiansk analys av komplexa modeller
- utföra bayesiansk prediktion och beslutsfattande under osäkerhet
- utföra bayesiansk modellinferens.
|
| |
Förkunskaper: (gäller studerande antagna till program som kursen ges inom, se 'För:' ovan)
Matematisk analys; Linjär algebra; sannolikhetslära och statistisk; Maskininlärning; Grundläggande programmering.
OBS! Tillträdeskrav för icke programstudenter omfattar vanligen också tillträdeskrav för programmet och ev. tröskelkrav för progression inom programmet, eller motsvarande.
|
| |
Påbyggnadskurser
Avancerad maskininlärning, Text mining, Visuell detektion och igenkänning
|
| |
Organisation:
Undervisningen består av föreläsningar, lektioner och datorlaborationer. Föreläsningar används för att introducera begrepp och teori som studenterna sedan använder i praktisk problemlösning vid lektioner och datorlaborationer.
|
| |
Kursinnehåll:
Likelihood, Subjectiv sannolikhet, Bayes sats, Apriori- och aposteriorifördelning, Bayesiansk analys av modellerna: Bernoulli, Normal, Multinomial, Multivariat normal, Linjär och icke-linjär regression, Binär regression, Mixture modeller; Regulariserings prior, Klassificering Naïve Bayes, Marginalisering, Posterior approximation, Prediktion, Beslutsteori, Markov Chain Monte Carlo, Gibbs sampling, Bayesiansk variabelselektion, Modellval, Model averaging.
|
| |
Kurslitteratur:
Gelman, A., Carlin, J.B., Stern, H. S., Dunson, D. B., Vehtari, A., and Donald Rubin, D.B., Bayesian Data Analysis, 3rd edition. Chapman & Hall, 2013.
|
| |
Examination: |
DAT1
UPG1
|
Datortentamen (U,3,4,5)
Datorlaborationer (U,G)
|
3 hp
3 hp
|
| |
|
DAT1 är en tentamen i datorsal som prövar studenternas teoretiska kunskaper och problemlösningsförmåga inom maskininlärning.
LAB1 består av datorlaborationer som prövar studenternas förmåga att omsätta teoretisk kunskap till praktisk problemlösning inom bayesiansk maskininlärning. |
|