Avancerad maskininlärning, 6 hp (TDDE15)

Advanced Machine Learning, 6 credits

Huvudområde

Datateknik Datavetenskap

Nivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Jose M Pena

Studierektor eller motsvarande

Ann-Charlotte Hallberg
Kursen ges för Termin Period Block Språk Ort VOF
6CDDD Civilingenjör i datateknik 9 (HT 2018) 1 1 Engelska Linköping v
6CDDD Civilingenjör i datateknik (AI och maskininlärning) 9 (HT 2018) 1 1 Engelska Linköping v
6CITE Civilingenjör i informationsteknologi 9 (HT 2018) 1 1 Engelska Linköping v
6CITE Civilingenjör i informationsteknologi (AI och maskininlärning) 9 (HT 2018) 1 1 Engelska Linköping v
6CMJU Civilingenjör i mjukvaruteknik 9 (HT 2018) 1 1 Engelska Linköping v
6CMJU Civilingenjör i mjukvaruteknik (AI och maskininlärning) 9 (HT 2018) 1 1 Engelska Linköping v
VOF = Valbar / Obligatorisk / Frivillig

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

Sannolikhetslära och statistisk; Bayesianska metoder; Maskininlärning; Matematisk analys; Linjär algebra; Grundläggande programmering.
 

Lärandemål

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. 

Kursinnehåll

Kort sammanfattning av bayesiansk inferens, Gaussiska processer, State-space modeller, Kalmanfiltrering and utjämning. Partikelmetoder, Grafiska modeller, Bayesianska nätverk, Markovmodeller, Hidden Markov Models, Markovslumpfält.

Undervisnings- och arbetsformer

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.
 

Examination

DAT1DatortentamenU, 3, 4, 53 hp
UPG1DatorlaborationerU, G3 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.

Betygsskala

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

Övrig information

Påbyggnadskurser: 
Text mining, Visuell detektion och igenkänning.

Institution

Institutionen för datavetenskap

Studierektor eller motsvarande

Ann-Charlotte Hallberg

Examinator

Jose M Pena

Undervisningstid

Preliminär schemalagd tid: 52 h
Rekommenderad självstudietid: 108 h

Kurslitteratur

Bishop, C. M., Pattern Recognition and Machine Learning, Springer, 2006.
Bishop, C. M., Pattern Recognition and Machine Learning, Springer, 2006.
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 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.

Sidansvarig: Studieinformation, bilda@uf.liu.se