Kursinnehåll *

• Generativa modeller.
• Bayesiansk inferens.
• Probabilistisk programmering.
• Grafiska modeller.
• Dolda Markovmodeller med kontinuerliga tillstånd.
• Partikelfilter.
• Monte Carlo-uppskattning.
• Sekventiell Monte Carlo.
• Markov Chain Monte Carlo.
• Klustring.
• Dirichlet-processen.

Lärandemål *

Efter godkänd kurs ska studenten kunna

• förklara och motivera flera viktiga metoder för maskininlärning
• redogöra för flera typer av metoder och algoritmer som används i fältet samplingsbaserade inferensmetoder
• implementera flera typer av metoder och algoritmer som används i fältet utifrån en högnivåbeskrivning
• utöka och modifiera de metoder som kursen behandlar

i syfte att kunna göra ett examensarbete inom samplingsbaserade inferensmetoder.

Kursupplägg

Ingen information tillagd

Särskild behörighet *

För fristående kursstuderande krävs 90 högskolepoäng varav 45 högskolepoäng inom matematik eller informationsteknik.

Rekommenderade förkunskaper

Grundläggande kurser i programmering, datalogi, matematik och statistik motsvarande obligatoriska kurser på D- eller F-programmen.
Matlab eller motsvarande (Octave, R).

Utrustning

Ingen information tillagd

Kurslitteratur

Ingen information tillagd

Betygsskala *

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

Examination *

• INL1 - Inlämningsuppgift, 6,0 hp, betygsskala: A, B, C, D, E, FX, 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.

Övriga krav för slutbetyg *

Inlämningsuppgifter samt ett projekt (INL1; 6 hp).

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Jens Lagergren

Kurswebb

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

Ges av

EECS/Intelligenta system

Huvudområde *

Datalogi och datateknik

Utbildningsnivå *

Avancerad nivå

Påbyggnad

Diskutera med kursledaren.

Kontaktperson

Jens Lagergren, e-post: jensl@kth.se

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.

Övrig information

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