Dina studier

Kursplan för Algoritmer för maskininlärning och slutledning

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2017-07-06 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnAlgorithms for machine learning and inference
  • KurskodTDA231
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPALG
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeDatateknik, Informationsteknik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaTH - Fem, Fyra, Tre, Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 02123
  • Max antal deltagare120
  • Blockschema
  • Sökbar för utbytesstudenterNej

Poängfördelning

0101 Projekt 7,5 hp
Betygsskala: TH		7,5 hp

    I program

    Examinator

    Gå till kurshemsidan (Öppnas i ny flik)

    Behörighet

    Information saknas

    Kursspecifika förkunskaper

    För att kunna följa kursen krävs programmeringskunskaper (exempelvis C, Java eller Haskell), erfarenhet av MATLAB är önskvärt men inget krav.
    Dessutom krävs kunskaper inom linjär algebra, sannolikhetslära och algoritmer motsvarande inledande kurser i respektive ämnen.

    Syfte

    I kursen diskuteras teori och tillämpning av algoritmer för maskininlärning och slutledning, utifrån ett AI perspektiv. I detta sammanhang betraktar vi ”lärande” som slutledning från givna data eller erfarenheter som resulterar i en viss modell som generaliserar dessa uppgifter. Slutledning är att bestämma de önskade svaren eller åtgärder baserade på modellen.
    Algoritmer av detta slag används vanligen i till exempel klassificeringsuppgifter (teckenigenkänning, eller att förutsäga om en ny kund är kreditvärdig etc.) och i expertsystem (till exempel för medicinsk diagnostik). Ett nytt och kommersiellt viktig område är ”data mining”, där algoritmer används för att automatiskt identifiera speciellt intressant information och speciella relationer i stora kommersiella eller vetenskapliga databaser.
    Kursen avser att ge en god förståelse för detta tvärvetenskapliga område, med tillräckligt djup för att använda och utvärdera tillgängliga metoder, och för att kunna följa aktuell vetenskaplig litteratur inom området.

    Lärandemål (efter fullgjord kurs ska studenten kunna)

    • Tillämpa sunda matematiska principer för att på vetenskaplig grund dra slutsatser och forma hypoteser från empiriska data och modeller,
    • Förklara en representativ uppsättning av tillgängliga metoder maskininlärning,
    • Utvärdera metoderna kvalitativt och kvantitativt, och att identifiera såväl styrka som svagheter.

    Innehåll

    • Övervakat Lärande: Bayes-klassificerare, Fisher-diskriminantanalys, perceptron-baserade metoder, support-vektormaskiner, regression, boosting.
    • Oövervakad inlärning: Algoritmer för klustring, EM-algoritmen, mixture-modeller, kernel-metoder.
    • Grafiska modeller: Dolda Markov-modeller, metoder för att propagera antaganden (belief propagation).

    Organisation

    Undervisning ges i form av föreläsningar och handledning i samband med inlämningsuppgifter.

    Litteratur

    Information om litteratur ges på kursens hemsida före kursstart.

    Examination inklusive obligatoriska moment

    För att bli godkänd på kursen krävs godkänd skriftlig tentamen samt godkända inlämningsuppgifter. Baserat på tentamensresultat och inlämningsuppgifter (lika vikt) ges betygen U,3,4 eller 5.

    Kursplanen innehåller ändringar

    • Ändring gjord på kurstillfälle:
      • 2018-08-30: Examinator Examinator ändrat från Devdatt Dubhashi (dubhashi) till Morteza Haghir Chehreghani (haghir) av Viceprefekt
        [Kurstillfälle 1]