| TDDE15 |
Avancerad maskininlärning, 6 hp
/Advanced Machine Learning/
För:
D
IT
U
|
| |
Prel. schemalagd
tid: 52
Rek. självstudietid: 108
|
| |
Utbildningsområde: Teknik
Huvudområde: Datateknik, Datavetenskap Nivå (G1,G2,A): A
|
| |
Mål:
IUAE-matris
Kursen presenterar analysmetoder för ett flertal stora klasser av modeller som är frekvent förekommande inom avancerad maskininlärning, t ex tillståndsmodeller (state-space), gaussiska processer, dolda Markovprocesser (hidden Markov models), bayesianska nätverk och Markovslumpfält. Kursdeltagarna kommer lära sig om dessa modellers struktur och egenskaper, i vilka situationer och hur de kan tillämpas i praktiska maskininlärningsproblem, och hur resultaten ska tolkas. Modellerna analyseras i huvudsak utifrån ett bayesianskt perspektiv.
Efter genomgången kurs ska den studerande kunna:
- använda de genomgångna modellerna för att korrekt formulera och lösa praktiska problem.
- utföra inferens och prediktion i de presenterade modellerna
- implementera modellerna och inferensmetoderna i ett programspråk.
|
| |
Förkunskaper: (gäller studerande antagna till program som kursen ges inom, se 'För:' ovan)
Sannolikhetslära och statistisk; Bayesianska metoder; Maskininlärning; Matematisk analys; Linjär algebra; Grundläggande programmering.
OBS! Tillträdeskrav för icke programstudenter omfattar vanligen också tillträdeskrav för programmet och ev. tröskelkrav för progression inom programmet, eller motsvarande.
|
| |
Påbyggnadskurser
Text mining, Visuell detektion och igenkänning.
|
| |
Organisation:
Undervisningen består av föreläsningar, seminarier och datorlaborationer. Föreläsningar används för att introducera begrepp och teori som studenterna sedan använder i praktisk problemlösning vid datorlaborationer. Seminarierna används för diskussioner och studentpresentationer av lösningar till datorlaborationerna.
|
| |
Kursinnehåll:
Kort sammanfattning av bayesiansk inferens, Gaussiska processer, State-space modeller, Kalmanfiltrering and utjämning. Partikelmetoder, Grafiska modeller, Bayesianska nätverk, Markovmodeller, Hidden Markov Models, Markovslumpfält.
|
| |
Kurslitteratur:
Bishop, C. M., Pattern Recognition and Machine Learning, Springer, 2006.
|
| |
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 maskininlärning. |