Advanced Machine Learning, 6 hp

Advanced Machine Learning, 6 credits

732A96

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Kurstyp

Fristående- och programkurs

Examinator

Jose M Pena

Kursansvarig

Jose M Pena

Studierektor eller motsvarande

Jolanta Pielaszkiewicz

Tillgänglig för utbytesstudenter

Ja

Kontaktinformation

VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Veckor Block Språk Ort/Campus VOF
Fristående kurs (Halvfart, Dagtid) HT 2024 202436-202444 1 Engelska Linköping, Valla
F7MSL Statistics and Machine Learning, Master´s Programme - First and main admission round 3 (HT 2024) 202436-202444 1 Engelska Linköping, Valla V
F7MSL Statistics and Machine Learning, Master´s Programme - Second admission round (open only for Swedish/EU students) 3 (HT 2024) 202436-202444 1 Engelska Linköping, Valla V

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1F

Kursen ges för

  • Master's Programme in Statistics and Machine Learning

Förkunskapskrav

  • Kandidatexamen om 180hp (eller motsvarande) inom något av följande ämnen:
    • statistik
    • matematik
    • tillämpad matematik
    • datavetenskap
    • teknik
  • Godkända kurser i:
    • matematisk analys
    • linjär algebra
    • statistik
    • programmering
  • Engelska 6
    Undantag för svenska
  • Minst 30 hp godkända från termin 1 och 2 på Master's Programme in Statistics and Machine Learning, inklusive kursen Maskininlärning 9 hp, eller motsvarande förvärvade kunskaper

Lärandemål

Efter avslutad kurs skall den studerande på en avancerad nivå kunna:

  • redovisa relevanta maskininlärningsprinciper som används inom Bayesiansk tradition av maskininlärning
  • föreslå en lämplig probabilistisk modell som beskriver datastruktur och priorn
  • jämföra mellan modellerna för att välja ut den bästa modellen
  • implementera maskininlärningsmodellerna i ett programmeringsspråk och också använda vanliga maskininlärningspaket för att göra inferens i en modell, göra prediktioner som grundar på denna modell och skatta osäkerhet av dessa prediktioner

Kursinnehåll

I kursen behandlas flera avancerade metoder inom maskininlärning som genomför modellering av komplexa fenomen och kan prediktera utfall av dessa fenomen. 

I kursen ingår:

  • introduktion till Bayesiask teori: Likelihood, apriori och aposteriori fördelning, marginal likelihood, posterior prediktiv fördelning
  • genererande och diskriminerande modeller
  • Gaussiska processer
  • State-space modeller
  • Kalman filtering och utjämning
  • partikelmetoder
  • Markov modeller och gömda Markov modeller
  • grafiska modeller såsom  Bayesianska nätverk och Markov slumpfält

Undervisnings- och arbetsformer

Undervisningen består av föreläsningar, datorövningar och seminarier. Utöver detta ska den studerande utöva självstudier.

Undervisnings- och examinationsspråk: Engelska
 

Examination

Kursen examineras genom:

  • individuell skriftlig datortentamen, betygsskala: EC
  • individuell skriftlig redovisning av datorlaborationer, betygsskala: EC, P/F
  • gruppvis skriftlig redovisning av datorlaborationer, betygsskala: EC, P/F
  • aktivt deltagande i seminarier, betygsskala: EC, P/F

För Godkänt (E) som slutbetyg krävs minst E på den individuella skriftliga datortentamen och Pass på övriga moment. Högre betyg grundas på den individuella skriftliga datortentamen.

Detaljerad information återfinns i studieanvisningen.
 

Om det finns särskilda skäl, och om det med hänsyn till det obligatoriska momentets karaktär är möjligt, får examinator besluta att ersätta det obligatoriska momentet med en annan likvärdig uppgift. 

Om LiU: s koordinator för studenter med funktionsnedsättning har beviljat en student rätt till anpassad examination vid salstentamen har studenten rätt till det.

Om koordinatorn har gett studenten en rekommendation om anpassad examination eller alternativ examinationsform, får examinator besluta om detta om examinator bedömer det möjligt utifrån kursens mål.

Examinator får också besluta om anpassad examination eller alternativ examinationsform om examinator bedömer att det finns synnerliga skäl och examinator bedömer det möjligt utifrån kursens mål.

Studerande, vars examination underkänts två gånger på kursen eller del av kursen, har rätt att begära en annan examinator vid förnyat examinationstillfälle.

Den som godkänts i prov får ej delta i förnyat prov för högre betyg.

Betygsskala

ECTS, EC

Övrig information

Planering och genomförande av kurs ska utgå från kursplanens formuleringar. Den kursvärdering som ska ingå i varje kurs ska därför behandla frågan om hur kursen överensstämmer med kursplanen.

Kursen bedrivs på ett sådant sätt att likvärdiga villkor råder med avseende på kön, könsöverskridande identitet eller uttryck, etnisk tillhörighet, religion eller annan trosuppfattning, funktionsnedsättning, sexuell läggning och ålder.

Om det föreligger synnerliga skäl får rektor i särskilt beslut ange förutsättningarna för, och delegera rätten att besluta om, tillfälliga avsteg från denna kursplan. 

Institution

Institutionen för datavetenskap
Kod Benämning Omfattning Betygsskala
DAT2 Tentamen 5 hp EC
LAB2 Laboration 1 hp EC
Det finns ingen kurslitteratur tillgänglig på studieinfo för den här kursen.

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.