CM2026 Avancerad maskininlärning för datadriven hälsa 7,5 hp

-     Dimensionalitetsreduktion (Dimensionality Reduction)

-      Grafiska modeller (Graphical Models)

-      Variationell slutledning (Variational Inference)

-      Bayesiansk inlärning (Bayesian learning)

-      Dolda Markov-modeller och Markovs beslutsprocess (Hidden Markov Models and Markov Decision Processes)

-      Diagram över neurala nätverk (Graph Neural Networks)

Efter godkänd kurs ska studenten kunna

·       förklara och motivera flera viktiga metoder för maskininlärning

·       redogöra för flera typer av metoder och algoritmer som används inom området djupinlärning och inferensmetoder

·       implementera och tillämpa flera typer av metoder, modeller och algoritmer som används inom området baserat på en beskrivning på hög nivå, på hälsodata

·       utöka och modifiera de metoder som kursen behandlar

Kunskaper i programmering, motsvarande 6 hp

kunskaper i linjär algebra, motsvarande 6 hp

kunskaper i statistik och sannolikhet, motsvarande 6 hp

Engelska 6

och

grundläggande kunskaper om maskininlärning och artificiell intelligens, motsvarande genomgången kurs CM1001 eller CM2011

• PRO1 - Grupprojekt, 2,5 hp, betygsskala: P, F
• RED1 - Inlämningsuppgifter, 5,0 hp, betygsskala: A, B, C, D, E, FX, F

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

• Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
• Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
• Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.