Kursplan för Avancerad probabilistisk maskininlärning

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2020-09-18 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnAdvanced probabilistic machine learning
  • KurskodSSY316
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPCOM
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeElektroteknik
  • InstitutionELEKTROTEKNIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

Kurstillfället är inställt. För frågor kontakta utbildningssekreteraren för
  • Undervisningsspråk Engelska
  • Anmälningskod 13122
  • Max antal deltagare40
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0120 Projekt 7,5 hp
Betygsskala: TH
7,5 hp

    I program

    Examinator

    Gå till kurshemsidan (Öppnas i ny flik)

    Behörighet

    Grundläggande behörighet för avancerad nivå
    Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

    Särskild behörighet

    Engelska 6
    Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

    Kursspecifika förkunskaper

    Goda kunskaper inom sannolikhetslära, statistik och linjär algebra.

    Syfte

    Denna kurs undersöker sambanden mellan maskininlärning och sannolikhetsteori och statistik. I synnerhet kommer kursen att belysa maskininlärningsproblem utifrån ett sannolikhetsperspektiv. Sannolikhetsteori kan tillämpas på alla problem som involverar osäkerhet. Inom maskininlärning hanteras många typer av osäkerhet, till exempel bruset i den insamlade datan, eller osäkerheten om den bästa förutsägelsen givet vissa tidigare data eller i vad som är den bäst lämpade modellen för att förklara data. Den centrala tanken bakom sannolikhetsperspektivet för maskininlärning är att lärande kan betraktas som slutsatser av troliga (probabilistiska) modeller för att beskriva data som man kan observera från ett system. Probabilistiska modeller kan göra förutsägelser och uttalanden om observerbara data och kan också uttrycka osäkerheten i förutsägelserna.

    Kursen kommer att beskriva en mängd olika sannolikhetsmodeller, lämpliga för en mängd olika data och uppgifter. Den kommer också att beskriva ett brett utbud av algoritmer för inferens och inlärning när man använder sådana modeller. Målet är att presentera en enhetlig bild av maskininlärning, sett utifrån ett probabilistiskt modellerings- och inferensperspektiv. I kursen kommer studenterna också att lära sig universella modeller/metoder som är användbara i probabilistisk maskininlärning, men också inom andra områden.

    Lärandemål (efter fullgjord kurs ska studenten kunna)

    • Förklara filosofin bakom den Bayesiska inferensen
    • Utveckla en inferensalgoritm med hjälp av principerna i Bayesisk beslutsteori och en given kostnadsfunktion
    • Förstå sambanden mellan sannolikhetsteori och maskininlärning
    • Förklara likheter och skillnader mellan probabilistiska och ”klassiska” maskininlärningsmetoder
    • Tolka och förklara resultat från probabilistiska maskininlärningsmetoder
    • Härleda, analysera och implementera de sannolikhetsmetoder som introducerats i kursen
    • Förstå hur man använder flera sannolikhetsmodeller på data och bestämma den lämpligaste för en given uppgift
    • Diskutera och avgöra om ett relevant problem kan formuleras som ett väglett eller icke-väglett maskininlärningsproblem

    Innehåll

    • Bayesisk inferens, probabilistisk modellering av data
    • Väglett lärande (supervised learning): Bayesisk linjär regression
    • Bayesiska grafiska modeller
    • Monte Carlo-tekniker: betydelse-sampling, Gibbs-sampling, Markov-kedje-Monte Carlo
    • Markov slumpmässiga fält, faktorgrafer
    • Belief propagation, variabeleliminering
    • Dolda Markov-modeller
    • Väntevärdesutbredning och variationell inferens
    • Gaussiska processer
    • Icke-väglett lärande (unsupervised learning)
    • Generativa motverkande nätverk och variationella autokodare: två metoder för icke-väglett lärande,
    • Probabilistisk djup inlärning

    Organisation

    Kursen innehåller föreläsningar, hemuppgifter samt övningspass kopplade till hemuppgifterna.

    Litteratur

    Vi kommer huvudsakligen att använda boken Christopher M. Bishop, "Pattern Recognition and Machine Learning", Springer, 2006

    Examination inklusive obligatoriska moment

    Slutbetyget (TH) är baserat på poäng från projekt, quiz och en skriftlig tentamen. Projektet och litteraturstudien är obligatoriska, vilket innebär att de måste bli godkända för att klara kursen.

    Kursplanen innehåller ändringar

    • Ändring gjord på kurstillfälle:
      • 2020-09-16: Inställd Ändrat till inställd av UOL
        [Kurstillfälle 1] Inställt