Advanced Machine Learning, 6 hp

Advanced Machine Learning, 6 credits

732A96

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Kurstyp

Fristående- och programkurs

Examinator

Jose M Pena

Kursansvarig

Jose M Pena

Studierektor eller motsvarande

Ann-Charlotte Hallberg

Tillgänglig för utbytesstudenter

Ja

Kontaktinformation

VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Veckor Block Språk Ort/Campus VOF
Fristående kurs (Halvfart, Dagtid) HT 2019 201936-201944 1 Engelska Linköping, Valla
Fristående kurs (Halvfart, Dagtid) HT 2019 201936-201944 1 Engelska Linköping, Valla
F7MSL Statistics and Machine Learning, Master´s Programme 3 (HT 2019) 201936-201944 1 Engelska Linköping, Valla V

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1X

Kursen ges för

  • Masters Programme in Statistics and Machine Learning

Förkunskapskrav

Kandidatexamen i något av följande ämnen: statistik, matematik, tillämpad matematik, datavetenskap, teknik eller motsvarande examen. Utöver detta, erfordras godkända/avklarade kurser i kalkyl, linjär algebra, statistik och programmering.
Studenten ska också ha följande kurser godkända: en kurs i Bayesian Learning om minst 6 hp; en kurs i datorintensiva statistiska metoder om minst 6 hp, eller motsvarande kurser.

Dokumenterade kunskaper i engelska motsvarande Engelska B/Engelska 6.
Undantag för svenska 3/B.

Lärandemål

Efter avslutad kurs skall den studerande på en avancerad nivå kunna:
- redovisa relevanta maskininlärningsprinciper som används inom Bayesiansk tradition av maskininlärning,
- föreslå en lämplig probabilistisk modell som beskriver datastruktur och priorn,
- jämföra mellan modellerna för att välja ut den bästa modellen,
- implementera maskininlärningsmodellerna i ett programmeringsspråk och också använda vanliga maskininlärningspaket för att göra inferens i en modell, göra prediktioner som grundar på denna modell och skatta osäkerhet av dessa prediktioner.

Kursinnehåll

Kursen innehåller flera avancerade metoder inom maskininlärning som genomför modellering av komplexa fenomen och kan prediktera utfall av dessa fenomen. 
Följande ämnen är inkluderade i kursen:
- introduktion till Bayesiask teori: Likelihood, apriori och aposteriori fördelning, marginal likelihood, posterior prediktiv fördelning,Genererande och diskriminerande modeller,
- Gaussiska processer,
- State-space modeller,
- Kalman filtering och utjämning,
- partikelmetoder,
- Markov modeller och gömda Markov modeller,
- grafiska modeller såsom  Bayesianska nätverk och Markov slumpfält.

Undervisnings- och arbetsformer

Kursen består av föreläsningar, datorövningar och seminarier som kompletteras med självstudier. Föreläsningarna ägnas åt genomgång av teori, koncept och metodik. Datorövningarna ägnas åt praktisk dataanalys i en med hjälp av maskininlärningsmjukvara. Seminarier ägnas åt studentpresentationer och diskussioner av uppgifter.
Undervisningsspråk: engelska.

Examination

Skriftlig redovisning av labbuppgifter. Aktivt deltagande i seminarierna. En skriftlig tentamen. Detaljerad information återfinns i studiehandledningen.

Studerande, vars examination underkänts två gånger på kursen eller del av kursen, har rätt att begära en annan examinator vid förnyat examinationstillfälle.

Den som godkänts i prov får ej delta i förnyat prov för högre betyg.

Betygsskala

ECTS, EC

Övrig information

Planering och genomförande av kurs ska utgå från kursplanens formuleringar. Den kursvärdering som ska ingå i varje kurs ska därför behandla frågan om hur kursen överensstämmer med kursplanen.

Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.

Institution

Institutionen för datavetenskap
Kod Benämning Omfattning Betygsskala
DAT1 Tentamen 3 hp EC
LAB1 Laboration 3 hp EC
Det finns ingen kurslitteratur tillgänglig på studieinfo för den här kursen.

Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.

Det finns inga filer att visa.