DD2420 Probabilistiska grafiska modeller 7,5 hp

Probabilistic Graphical Models

Probabalistiska Grafiska modeller är en grund för att förstå många metoder inom uppskattning, artificiell intelligens eller maskininlärning.Vi kommer att gå igenom huvudkoncepten inom grafiska modeller, hur man gör exakt och approximativ inferens och hur man lär sig parametrarna i modellerna.Studenterna kommer att kunna välja mellan olika alternativ för att gå in på djupet på specifika metoder.

  • Utbildningsnivå

    Avancerad nivå
  • Huvudområde

    Datalogi och datateknik
  • Betygsskala

    A, B, C, D, E, FX, F

Kurstillfällen/kursomgångar

VT19 PGM19 för programstuderande

VT20 PGM20 för programstuderande

Lärandemål

Studenten ska efter genomgången kurs kunna förklara och reasoneara kring:

1. hur de viktigaste probabilistiska grafiska modellerna föreställer  factorization och oberoende;

2. methoder för exakt inferens t.ex. olika meddlande algorithm;

3. approximativ inferens med sampling, variasionsmetoder m.m.

4. methoder för inlärning av model parameter;

Studenter med högre betygg ska desuttom kunna forklara djupare, mer methoder och anvander methoder i 3 och 4 ovan for att lösa problem.  

Kursens huvudsakliga innehåll

Kursen huvudsakliga innehåller är:

  • Grafrepresentationer: diskriminativa kontra generativa modeller, Bayesnät (DAG), oriktade grafmodeller (MRF, faktorgrafer), exponentiella familjer, D-separation, Markov blanket.
  • Exakt inferens: meddelandeskickning, variabeleliminering, faktorgrafer från DAG (riktade acykliska grafer), summa-produkt-algoritmen, klickgrafer, träd, inferens med evidens, Junction Tree-algoritmen.
  • Approximativ inferens: Montecarloprincipen, viktad sampling, förkastningssampling, MCMC, Gibbs-sampling, variationsmetoder (projektioner), MAP-inferens.
  • Inlärning: parameterskattning, Maximum likelihood-skattning, tillräcklig statistik, bayesiansk parameterskattning, konjugerade fördelningar, Gauss/Beta/Dirichlet-förelningar, partiellt observerad data, gradientmetoder, sannolikhetsmaximering, Gaussian Mixture-skattning.

Kursupplägg

Kursen behandlar de viktigaste metoderna och ger en helhetssyn genom lektioner och läsning. 

Utöver det, får studenterna välja fördjupningar från en mängd övningar i olika specifika delområden. Kursen anpassas till stundenternas intresse och ambitionsnivå.

Det finns en skrivlig tentamen. 

Behörighet

Kursen kan inte användas till programen om studenten har tagits DD2447.

Rekommenderade förkunskaper

Motsvarande kurserna SF1604 Linjär algebra, SF1625 Envariabelanalys, SF1901 Sannolikhetsteori och statistik,  Programmering i matlab och python .

Litteratur

Probabilistic Graphical Models Principles and Techniques, Daphne Koller & Nir Friedman, MIT Press

ISBN 978-0-262-01319

Examination

  • PRO1 - Handledning 1, 2,5, betygsskala: P, F
  • PRO2 - Handledning 2, 2,5, betygsskala: P, F
  • TEN1 - Tentamen, 2,5, betygsskala: P, F

Gäller har:

https://www.kth.se/en/eecs/utbildning/hederskodex/inledning-1.17237

Krav för slutbetyg

Studenten har klarat  tentan och vissa av övningar.

Ges av

EECS/Intelligenta system

Kontaktperson

John Folkesson johnf@kth.se

Examinator

John Folkesson <johnf@kth.se>

Övrig information

Den här kursen får inte räknas med i examen om man också har läst DD2447.

Påbyggnad

DD2431 Maskininlärning

DD2434 Mackininlärning, avancerad kurs

DD2424 Djupinlärning i data science

DD2432 Artificiella neuronnät och andra lärande system

DD2423 Bildbehandling och datorseende

DD2429 Datorfotografi

DD2425 Robotik och autonoma system

EL2320 Tillämpad estimering

Versionsinformation

Kursplan gäller från och med VT2019.
Examinationsinformation gäller från och med VT2019.