Bayesianska metoder, 6 hp (TDDE07)
Bayesian Learning, 6 credits
Huvudområde
Datateknik DatavetenskapNivå
Avancerad nivåKurstyp
ProgramkursExaminator
Mattias VillaniStudierektor eller motsvarande
Ann-Charlotte HallbergTillgänglig för utbytesstudenter
JaKursen ges för | Termin | Period | Block | Språk | Ort | VOF | |
---|---|---|---|---|---|---|---|
6CDDD | Civilingenjör i datateknik | 8 (VT 2018) | 2 | 2 | Engelska | Linköping | v |
6CDDD | Civilingenjör i datateknik (AI och maskininlärning) | 8 (VT 2018) | 2 | 2 | Engelska | Linköping | v |
6CITE | Civilingenjör i informationsteknologi | 8 (VT 2018) | 2 | 2 | Engelska | Linköping | v |
6CITE | Civilingenjör i informationsteknologi (AI och maskininlärning) | 8 (VT 2018) | 2 | 2 | Engelska | Linköping | v |
6CMJU | Civilingenjör i mjukvaruteknik | 8 (VT 2018) | 2 | 2 | Engelska | Linköping | v |
6CMJU | Civilingenjör i mjukvaruteknik (AI och maskininlärning) | 8 (VT 2018) | 2 | 2 | Engelska | Linköping | v |
Huvudområde
Datateknik, DatavetenskapUtbildningsnivå
Avancerad nivåFördjupningsnivå
A1XKursen 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
DAT1 | Datortentamen | U, 3, 4, 5 | 3 hp |
UPG1 | Datorlaborationer | U, G | 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.
Betygsskala
Fyrgradig skala, LiU, U, 3, 4, 5Övrig 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 datavetenskapStudierektor eller motsvarande
Ann-Charlotte HallbergExaminator
Mattias VillaniUndervisningstid
Preliminär schemalagd tid: 48 hRekommenderad 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 & HallBöcker
Ladda ner
DAT1 | Datortentamen | U, 3, 4, 5 | 3 hp |
UPG1 | Datorlaborationer | U, G | 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.
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.