Bayesianska metoder, 6 hp
Bayesian Learning, 6 credits
TDDE07
Huvudområde
Datateknik DatavetenskapUtbildningsnivå
Avancerad nivåKurstyp
ProgramkursExaminator
Mattias VillaniStudierektor eller motsvarande
Ann-Charlotte HallbergUndervisningstid
Preliminär schemalagd tid: 48 hRekommenderad självstudietid: 112 h
Tillgänglig för utbytesstudenter
JaKursen ges för | Termin | Period | Block | Språk | Ort/Campus | VOF | |
---|---|---|---|---|---|---|---|
6CDDD | Civilingenjör i datateknik | 8 (VT 2018) | 2 | 2 | Engelska | Linköping, Valla | V |
6CDDD | Civilingenjör i datateknik (AI och maskininlärning) | 8 (VT 2018) | 2 | 2 | Engelska | Linköping, Valla | V |
6CITE | Civilingenjör i informationsteknologi | 8 (VT 2018) | 2 | 2 | Engelska | Linköping, Valla | V |
6CITE | Civilingenjör i informationsteknologi (AI och maskininlärning) | 8 (VT 2018) | 2 | 2 | Engelska | Linköping, Valla | V |
6CMJU | Civilingenjör i mjukvaruteknik | 8 (VT 2018) | 2 | 2 | Engelska | Linköping, Valla | V |
6CMJU | Civilingenjör i mjukvaruteknik (AI och maskininlärning) | 8 (VT 2018) | 2 | 2 | Engelska | Linköping, Valla | V |
Huvudområde
Datateknik, DatavetenskapUtbildningsnivå
Avancerad nivåFördjupningsnivå
A1XKursen 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
Matematisk analys; Linjär algebra; sannolikhetslära och statistisk; Maskininlärning; Grundläggande programmering.
Lärandemål
Kursen ger en gedigen introduktion till bayesiansk inlärning, med speciell fokus på teori, modeller och metoder som används inom tillämpad maskininlärning. Grundläggande ideér och begrepp inom bayesiansk analys presenteras genom detaljerad analys av enklare sannolikhetsmodeller. Kursen presenterar de vanligast förekommande simuleringsalgoritmerna, och visar hur dessa algoritmer kan användas för att lösa komplexa maskininlärningsproblem. Efter genomgången kurs ska den studerande kunna:
- härleda posteriorfördelningen i ett antal enklare sannolikhetsmodeller
- använda simuleringsmetoder för bayesiansk analys av komplexa modeller
- utföra bayesiansk prediktion och beslutsfattande under osäkerhet
- utföra bayesiansk modellinferens.
Kursinnehåll
Likelihood, Subjectiv sannolikhet, Bayes sats, Apriori- och aposteriorifördelning, Bayesiansk analys av modellerna: Bernoulli, Normal, Multinomial, Multivariat normal, Linjär och icke-linjär regression, Binär regression, Mixture modeller; Regulariserings prior, Klassificering Naïve Bayes, Marginalisering, Posterior approximation, Prediktion, Beslutsteori, Markov Chain Monte Carlo, Gibbs sampling, Bayesiansk variabelselektion, Modellval, Model averaging.
Undervisnings- och arbetsformer
Undervisningen består av föreläsningar, lektioner och datorlaborationer. Föreläsningar används för att introducera begrepp och teori som studenterna sedan använder i praktisk problemlösning vid lektioner och datorlaborationer.
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 bayesiansk maskininlärning.
Betygsskala
Fyrgradig skala, LiU, U, 3, 4, 5Övrig information
Påbyggnadskurser:
Avancerad maskininlärning, Text mining, Visuell detektion och igenkänning
Om undervisningsspråk
Undervisningsspråk visas på respektive kurstillfälle på fliken "Översikt".
- Observera att även om undervisningsspråk är svenska kan delar av kursen ges på engelska.
- Om undervisningsspråk är Svenska/Engelska kan kursen i sin helhet ges på engelska vid behov.
- Om undervisningsspråk är Engelska ges kursen i sin helhet på engelska.
Övrigt
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 datavetenskapStudierektor eller motsvarande
Ann-Charlotte HallbergExaminator
Mattias VillaniUndervisningstid
Preliminär schemalagd tid: 48 hRekommenderad självstudietid: 112 h
Kurslitteratur
Böcker
- Gelman, A., Carlin, J.B., Stern, H. S., Dunson, D. B., Vehtari, A., and Donald Rubin, D.B., (2013) Bayesian Data Analysis 3rd edition Chapman & Hall
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 bayesiansk maskininlärning.
Böcker
Ladda ner
I | U | A | Moduler | Kommentar | ||
---|---|---|---|---|---|---|
1. ÄMNESKUNSKAPER | ||||||
1.1 Kunskaper i grundläggande (motsvarande G1X) matematiska och naturvetenskapliga ämnen |
X
|
X
|
X
|
DAT1
|
Matematiskt ämne |
|
1.2 Kunskaper i grundläggande (motsvarande G1X) teknikvetenskapliga ämnen |
X
|
X
|
X
|
DAT1
UPG1
|
Programmeringskunskaper |
|
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 |
X
|
X
|
X
|
DAT1
UPG1
|
Problemlösning. Modellidentifiering. Kvantifiering och analys av osäkerhet. Prediktion och beslut. |
|
2.2 Experimenterande och undersökande arbetssätt samt kunskapsbildning |
X
|
X
|
X
|
DAT1
UPG1
|
Slutledning. Utvärdering av modeller, bl a genom prediktion. Simulering av slumpmässiga system. Programmering. |
|
2.3 Systemtänkande |
X
|
X
|
X
|
DAT1
|
Helhetstänkande: modell-data-inferens-prediktion-beslut |
|
2.4 Förhållningssätt, tänkande och lärande |
|
X
|
|
DAT1
|
Kreativt och kritiskt tänkande vid problemlösning under lektioner och datorlabb. |
|
2.5 Etik, likabehandling och ansvarstagande |
|
|
|
|||
3. FÖRMÅGA ATT ARBETA I GRUPP OCH ATT KOMMUNICERA | ||||||
3.1 Arbete i grupp |
|
|
X
|
UPG1
|
Datorövningar i grupper om två personer |
|
3.2 Kommunikation |
|
|
X
|
UPG1
|
Skriftlig rapport vid datorlabb. Presentation och diskussion vid seminarier. |
|
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 |
X
|
|
|
Teknik som skapar information (data) - möjligheter och konsekvenser |
||
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.