Bayesianska metoder, 6 hp

Bayesian Learning, 6 credits

TDDE07

Kursstart

Huvudområde

Datateknik Datavetenskap

Utbildningsnivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Mattias Villani

Studierektor eller motsvarande

Ann-Charlotte Hallberg

Undervisningstid

Preliminär schemalagd tid: 48 h
Rekommenderad självstudietid: 112 h

Tillgänglig för utbytesstudenter

Information om möjliga avsteg från kursplan/utbildningsplan

VOF = Valbar / Obligatorisk / Frivillig

Kursen ges för		Termin	Period	Block	Språk	Ort/Campus	VOF
6CDDD	Civilingenjör i datateknik	8 (VT 2018)	2	2	Engelska	Linköping, Valla	V
6CDDD	Civilingenjör i datateknik (AI och maskininlärning)	8 (VT 2018)	2	2	Engelska	Linköping, Valla	V
6CITE	Civilingenjör i informationsteknologi	8 (VT 2018)	2	2	Engelska	Linköping, Valla	V
6CITE	Civilingenjör i informationsteknologi (AI och maskininlärning)	8 (VT 2018)	2	2	Engelska	Linköping, Valla	V
6CMJU	Civilingenjör i mjukvaruteknik	8 (VT 2018)	2	2	Engelska	Linköping, Valla	V
6CMJU	Civilingenjör i mjukvaruteknik (AI och maskininlärning)	8 (VT 2018)	2	2	Engelska	Linköping, Valla	V

Huvudområde

Datateknik, Datavetenskap

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1X

Kursen ges för

Civilingenjör i datateknik
Civilingenjör i informationsteknologi
Civilingenjör i mjukvaruteknik

Förkunskapskrav

OBS! Tillträdeskrav för icke programstudenter omfattar vanligen också tillträdeskrav för programmet och ev. tröskelkrav för progression inom programmet, eller motsvarande.

Rekommenderade förkunskaper

Matematisk analys; Linjär algebra; sannolikhetslära och statistisk; Maskininlärning; Grundläggande programmering.

Lärandemål

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.

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.

Undervisnings- och arbetsformer

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.

Examination

UPG1	Datorlaborationer	3 hp	U, G
DAT1	Datortentamen	3 hp	U, 3, 4, 5

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.

Betygsskala

Fyrgradig skala, LiU, U, 3, 4, 5

Övrig information

Påbyggnadskurser:
Avancerad maskininlärning, Text mining, Visuell detektion och igenkänning

Om undervisningsspråk

Undervisningsspråk visas på respektive kurstillfälle på fliken "Översikt".

Observera att även om undervisningsspråk är svenska kan delar av kursen ges på engelska.
Om undervisningsspråk är Svenska/Engelska kan kursen i sin helhet ges på engelska vid behov.
Om undervisningsspråk är Engelska ges kursen i sin helhet på engelska.

Övrigt

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

Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som ingår i kursen skall därför genomföras med kursplanen som utgångspunkt.

Institution

Institutionen för datavetenskap

Studierektor eller motsvarande

Ann-Charlotte Hallberg

Examinator

Mattias Villani

Undervisningstid

Preliminär schemalagd tid: 48 h
Rekommenderad självstudietid: 112 h

Kurslitteratur

Böcker

Gelman, A., Carlin, J.B., Stern, H. S., Dunson, D. B., Vehtari, A., and Donald Rubin, D.B., (2013) Bayesian Data Analysis 3rd edition Chapman & Hall

Kod	Benämning	Omfattning	Betygsskala
UPG1	Datorlaborationer	3 hp	U, G
DAT1	Datortentamen	3 hp	U, 3, 4, 5

Rättigheter och skyldigheter som student (inloggning krävs)
Linköpings universitets generella regelverk

Böcker

Gelman, A., Carlin, J.B., Stern, H. S., Dunson, D. B., Vehtari, A., and Donald Rubin, D.B., (2013) Bayesian Data Analysis 3rd edition Chapman & Hall

Ladda ner

Ladda ner kurslitteratur som PDF

I = Introducera, U = Undervisa, A = Använda

		I	U	A	Moduler	Kommentar
1. ÄMNESKUNSKAPER
	1.1 Kunskaper i grundläggande (motsvarande G1X) matematiska och naturvetenskapliga ämnen	X	X	X	DAT1	Matematiskt ämne
	1.2 Kunskaper i grundläggande (motsvarande G1X) teknikvetenskapliga ämnen	X	X	X	DAT1 UPG1	Programmeringskunskaper
	1.3 Fördjupade kunskaper (motsvarande G2X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen
	1.4 Väsentligt fördjupade kunskaper (motsvarande A1X), metoder och verktyg inom något/några teknik- och naturvetenskapliga ämnen
	1.5 Insikt i aktuellt forsknings- och utvecklingsarbete
2. INDIVIDUELLA OCH YRKESMÄSSIGA FÄRDIGHETER OCH FÖRHÅLLNINGSSÄTT
	2.1 Analytiskt tänkande och problemlösning	X	X	X	DAT1 UPG1	Problemlösning. Modellidentifiering. Kvantifiering och analys av osäkerhet. Prediktion och beslut.
	2.2 Experimenterande och undersökande arbetssätt samt kunskapsbildning	X	X	X	DAT1 UPG1	Slutledning. Utvärdering av modeller, bl a genom prediktion. Simulering av slumpmässiga system. Programmering.
	2.3 Systemtänkande	X	X	X	DAT1	Helhetstänkande: modell-data-inferens-prediktion-beslut
	2.4 Förhållningssätt, tänkande och lärande		X		DAT1	Kreativt och kritiskt tänkande vid problemlösning under lektioner och datorlabb.
	2.5 Etik, likabehandling och ansvarstagande
3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA
	3.1 Arbete i grupp			X	UPG1	Datorövningar i grupper om två personer
	3.2 Kommunikation			X	UPG1	Skriftlig rapport vid datorlabb. Presentation och diskussion vid seminarier.
	3.3 Kommunikation på främmande språk
4. PLANERING, UTVECKLING, REALISERING OCH DRIFT AV TEKNISKA PRODUKTER OCH SYSTEM MED HÄNSYN TILL AFFÄRSMÄSSIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV
	4.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling	X				Teknik som skapar information (data) - möjligheter och konsekvenser
	4.2 Företags- och affärsmässiga villkor
	4.3 Att identifiera behov samt strukturera och planera utveckling av produkter och system
	4.4 Att konstruera produkter och system
	4.5 Att realisera produkter och system
	4.6 Att ta i drift och använda produkter och system
5. PLANERING, GENOMFÖRANDE OCH PRESENTATION AV FORSKNINGS- ELLER UTVECKLINGSPROJEKT MED HÄNSYN TILL VETENSKAPLIGA OCH SAMHÄLLELIGA BEHOV OCH KRAV
	5.1 Samhälleliga villkor, inklusive ekonomiskt, socialt och ekologiskt hållbar utveckling för kunskapsutveckling
	5.2 Ekonomiska villkor för kunskapsutveckling
	5.3 Att identifiera behov samt strukturera och planera forsknings- eller utvecklingsprojekt
	5.4 Att genomföra forsknings- eller utvecklingsprojekt
	5.5 Att redovisa och utvärdera forsknings- eller utvecklingsprojekt

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.