Detta är en intern version som kan innehålla ofullständig eller ännu ej beslutad studieinformation.

Avancerad maskininlärning, 6 hp

Advanced Machine Learning, 6 credits

TDDE15

Kursstart

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

Information om möjliga avsteg från kursplan/utbildningsplan

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

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.

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

Rättigheter och skyldigheter som student (inloggning krävs)
Linköpings universitets generella regelverk

Litteraturlistan är preliminär.

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

Ladda ner

Ladda ner kurslitteratur som PDF

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.