Avancerad maskininlärning, 6 hp

Advanced Machine Learning, 6 credits

TDDE15

Huvudområde

Datateknik Datavetenskap

Utbildningsnivå

Avancerad nivå

Kurstyp

Programkurs

Examinator

Jose M Pena

Studierektor eller motsvarande

Ann-Charlotte Hallberg

Undervisningstid

Preliminär schemalagd tid: 52 h
Rekommenderad självstudietid: 108 h
VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Period Block Språk Ort/Campus VOF
6CDDD Civilingenjör i datateknik 9 (HT 2017) 1 1 Engelska Linköping, Valla V
6CDDD Civilingenjör i datateknik (AI och maskininlärning) 9 (HT 2017) 1 1 Engelska Linköping, Valla V
6CITE Civilingenjör i informationsteknologi 9 (HT 2017) 1 1 Engelska Linköping, Valla V
6CITE Civilingenjör i informationsteknologi (AI och maskininlärning) 9 (HT 2017) 1 1 Engelska Linköping, Valla V
6CMJU Civilingenjör i mjukvaruteknik 9 (HT 2017) 1 1 Engelska Linköping, Valla V
6CMJU Civilingenjör i mjukvaruteknik (AI och maskininlärning) 9 (HT 2017) 1 1 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

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

UPG1Datorlaborationer3 hpU, G
DAT1Datortentamen3 hpU, 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 maskininlärning.

Betygsskala

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

Övrig information

Påbyggnadskurser: 
Text mining, Visuell detektion och igenkänning.

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

Jose M Pena

Undervisningstid

Preliminär schemalagd tid: 52 h
Rekommenderad självstudietid: 108 h

Kurslitteratur

Bishop, C. M., Pattern Recognition and Machine Learning, Springer, 2006.
Kod Benämning Omfattning Betygsskala
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 maskininlärning.

Bishop, C. M., Pattern Recognition and Machine Learning, Springer, 2006.
I = Introducera, U = Undervisa, A = Använda
I U A Moduler Kommentar
1. ÄMNESKUNSKAPER
1.1 Kunskaper i grundläggande (motsvarande G1X) matematiska och naturvetenskapliga ämnen

                            
1.2 Kunskaper i grundläggande (motsvarande G1X) teknikvetenskapliga ämnen

                            
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

                            
2.2 Experimenterande och undersökande arbetssätt samt kunskapsbildning

                            
2.3 Systemtänkande

                            
2.4 Förhållningssätt, tänkande och lärande

                            
2.5 Etik, likabehandling och ansvarstagande

                            
3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA
3.1 Arbete i grupp

                            
3.2 Kommunikation

                            
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

                            
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.