Avancerad maskininlärning, 6 hp
Advanced Machine Learning, 6 credits
732A96
Huvudområde
StatistikUtbildningsnivå
Avancerad nivåKurstyp
Fristående- och programkursExaminator
Jose M PenaKursansvarig
Jose M PenaStudierektor eller motsvarande
Jolanta PielaszkiewiczTillgänglig för utbytesstudenter
JaKontaktinformation
Claudia Schmid
Katarina Isotalo
Kursen ges för | Termin | Veckor | Block | Språk | Ort/Campus | VOF | |
---|---|---|---|---|---|---|---|
Fristående kurs (, ) | HT 2025 | - | |||||
Fristående kurs (Halvfart, Dagtid) | HT 2025 | 202536-202544 | 1 | Engelska | Linköping, Valla | ||
F7MML | Statistics and Machine Learning, Master´s Programme - First and main admission round | 3 (HT 2025) | - | V | |||
F7MML | Statistics and Machine Learning, Master´s Programme - Second admission round (open only for Swedish/EU students) | 3 (HT 2025) | - | V |
Huvudområde
StatistikUtbildningsnivå
Avancerad nivåFördjupningsnivå
A1FKursen 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 ges för svenska - Minst 24 hp godkända inom huvudområdet statistik på avancerad nivå och minst 5 hp godkända inom huvudområdet datavetenskap på avancerad nivå
Lärandemål
Efter avslutad kurs ska 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, ECÖvrig 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.
Om undervisnings- och examinationsspråk:
Undervisningsspråk visas på respektive kurstillfälle på fliken "Översikt". Examinationsspråk relaterar till undervisningsspråk enligt nedan:
- Om undervisningsspråk är ”Svenska” kan kursen ges i sin helhet på svenska eller helt eller delvis på engelska. Examinationsspråk är svenska, men delar av examinationen kan ske på engelska.
- Om undervisningsspråk är ”Engelska” ges kursen i sin helhet på engelska. Examinationsspråk är engelska.
- Om undervisningsspråk är ”Svenska/Engelska” ges kursen i sin helhet på engelska om studenter utan tidigare kunskap i svenska språket deltar. Examinationsspråk följer undervisningsspråk.
Institution
Institutionen för datavetenskapKod | Benämning | Omfattning | Betygsskala |
---|---|---|---|
DAT2 | Tentamen | 5 hp | EC |
LAB2 | Laboration | 1 hp | EC |
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.