Advanced Machine Learning, 6 hp (732A96)

Advanced Machine Learning, 6 credits

Kursbeskrivning

The course covers advanced topics in machine learning, primarily from Bayesian perspective. A major part of the course is devoted to the graphical models, such as Hidden Markov Models, Bayesian networks, Markov random fields and other methods. The course includes laboratory works in which students get a practical experience of data analysis.

Huvudområde

Statistik

Nivå

Avancerad nivå

Kurstyp

Fristående och programkurs

Examinator

Jose M Pena

Kursansvarig

Jose M Pena

Studierektor eller motsvarande

Jolanta Pielaszkiewicz

Tillgänglig för utbytesstudenter

Ja

Kontaktinformation

Jolanta Pielaszkiewicz

Kostas Mitropoulos, international coordinator

Kursen ges för Termin Veckor Språk Ort VOF
Fristående kurs (Halvfart, Dagtid) HT 2021 v202135-202143 Engelska Linköping
Fristående kurs (Halvfart, Dagtid) HT 2021 v202135-202143 Engelska Linköping
F7MSL Statistics and Machine Learning, Master´s Programme - First and main admission round 3 (HT 2021) v202135-202143 Engelska Linköping v
F7MSL Statistics and Machine Learning, Master´s Programme - Second admission round (open only for Swedish/EU students) 3 (HT 2021) v202135-202143 Engelska Linköping v
VOF = Valbar / Obligatorisk / Frivillig

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1N

Kursen ges för

  • Master's Programme in Statistics and Machine Learning

Förkunskapskrav

  • Kandidatexamen om 180hp (eller motsvarande) inom något av följande ämnen:
    • statistik
    • matematik
    • tillämpad matematik
    • datavetenskap
    • teknik
  • Godkända kurser i:
    • kalkyl
    • linjär algebra
    • statistik
    • programmering
  • Godkänd kurs i Bayesian Learning om minst 6hp 
    Godkänd kurs i datorintensiva statistiska metoder om minst 6hp
    eller
    motsvarande
  • Engelska 6/B
    (Undantag för svenska)

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.

Om LiU:s koordinator för studenter med funktionsnedsättning har beviljat en student rätt till anpassad examination vid salstentamen har studenten rätt till det. Om koordinatorn istället har gett studenten en rekommendation om anpassad examination eller alternativ examinationsform, får examinator besluta om detta om examinator bedömer det möjligt utifrån kursens mål.

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
Det finns ingen kurslitteratur tillgänglig för den här kursen.
DAT1 Tentamen EC 3 hp
LAB1 Laboration EC 3 hp

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.

Sidansvarig: Infocenter, infocenter@liu.se