Hoppa till huvudinnehållet

DD2420 Probabilistiska grafiska modeller 7,5 hp

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.

Välj termin och kursomgång

Välj termin och kursomgång för att se information från rätt kursplan och kursomgång.

Rubriker med innehåll från kursplan DD2420 (VT 2021–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

Kursens huvudsakliga innehåll är:

Grafrepresentationer: diskriminativa och generativa modeller, Bayesianska nät (DAG), oriktade grafmodeller (MRF/faktorgrafer), exponentiella fördelningar, D-separation, Markovfilt.

Exakt slutledning: meddelandealgoritmer, variabeleliminering, faktorgrafer från DAG, klickgrafer/träd, slutledning med evidens, knutpunktsträdsalgoritmer mm.

Approximativ slutledning: ”Loopy belief”-fortplantning, montecarloprincipen, MCMC (Markov Chain Monte Carlo), variationsmetoder, MAP-slutledning mm.

Inlärning: parameterskattning, maximumlikelihoodmetoden, konjugerad apriori, Gaussiska, Beta- och Dirichletfördelningar, delvis observerade data, gradientmetoden, EM (Expectation Maximization) mm.

Lärandemål

Efter godkänd kurs ska studenten kunna

  • förklara och resonera kring hur olika grafer representerar såväl uppdelning i faktorer som oberoende förhållanden
  • förklara och resonera kring exakt slutledning hos grafiska modeller
  • använda meddelandealgoritmer och utföra alla steg i algoritmerna
  • förklara och resonera kring metoder för inlärning av modellparametrarnas osäkerheter
  • förklara och resonera kring approximativ slutledning såsom sampling, ”loopy belief”-fortplantning och variationsmetoder.

Studenter kan få högre betyg genom att förklara hur delområdena ovan kan användas för att lösa specifika problem. Högsta betyg kan fås genom att förklara komplex verklig forskning med dessa metoder.

Kursupplägg

Ingen information tillagd

Kurslitteratur och förberedelser

Särskild behörighet

Slutförda kurser i samtliga av följande områden:

  • Programmering motsvarande DD1310/DD1311/DD1312/DD1314/DD1315/DD1316/DD1318/DD1331/DD1337/DD100N/ID1018.
  • Algebra och geometri motsvarande SF1624.
  • Flervariabelanalys motsvarande SF1626.
  • Sannolikhetslära och statistik motsvarande SF1901.
  • Grundläggande maskininlärning motsvarande DD2421.

Aktivt deltagande i kursomgång vars slutexamination ännu inte är Ladokrapporterad jämställs med slutförd kurs. 

Den som är registrerad anses vara aktivt deltagande.

Med slutexamination avses både ordinarie examination och det första omexaminationstillfället.

Rekommenderade förkunskaper

Linjär algebra, SF1625 Envariabelanalys;

SF1901 Sannolikhetsteori och statistik;

DD2421 Mackininlärning eller DD2434 Mackininlärning, avancerad kurs;

Programmering i matlab och python .

Utrustning

Ingen information tillagd

Kurslitteratur

Ingen information tillagd

Examination och slutförande

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

Betygsskala

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

Examination

  • OVN1 - Övningsuppgifter, 2,5 hp, betygsskala: P, F
  • OVN2 - Övningsuppgifter, 2,5 hp, betygsskala: P, F
  • TENT - Skriftlig tentamen, 2,5 hp, betygsskala: P, F

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

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Profile picture John Folkesson

Etiskt förhållningssätt

  • 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.

Ytterligare information

Kurswebb

Ytterligare information om kursen kan hittas på kurswebben via länken nedan. Information på kurswebben kommer framöver flyttas till denna sida.

Kurswebb DD2420

Ges av

EECS/Intelligenta system

Huvudområde

Datalogi och datateknik

Utbildningsnivå

Avancerad nivå

Påbyggnad

D2434 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

Kontaktperson

John Folkesson johnf@kth.se

Övergångsbestämmelser

De tidigare provmomenten PRO1, PRO2 och TEN1 har ersatts av OVN1, OVN2 respektive TENT.

Övrig information

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

I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex