- 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.
DD2447 Statistiska metoder i datalogin 6,0 hp
Kursen behandlar de statistiska metoder som används i moderna datatekniska tillämpningar.
Information per kursomgång
Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.
Kursplan som PDF
Notera: all information från kursplanen visas i tillgängligt format på denna sida.
Kursplan DD2447 (HT 2022–)Rubriker med innehåll från kursplan DD2447 (HT 2022–) är markerade med en asterisk ( )
Innehåll och lärandemål
Kursinnehåll
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.
Kurslitteratur och förberedelser
Särskild behörighet
Kunskaper i linjär algebra, 7,5 hp, motsvarande slutförd kurs SF1624/SF1672.
Kunskaper i envariabelanalys, 7,5 hp, motsvarande slutförd kurs SF1625/SF1673.
Kunskaper i sannolikhetsteori och statistik, 6 hp, motsvarande slutförd kurs SF1900/SF1910-SF1935.
Kunskaper och färdigheter i programmering, 6 hp, motsvarande slutförd kurs DD1337/DD1310/DD1311/DD1312/DD1314/DD1315/DD1316/DD1317/DD1318/DD1321/DD1331/ DD100N/ID1018/BB1000.
Kunskaper i algoritmer och datastrukturer, 6 hp, motsvarande slutförd kurs DD1338/DD1320/DD1321/DD1325/DD1326/DD1327/DD2325/ID1020/ID1021.
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
Grundläggande kurser i programmering, datalogi, matematik och statistik motsvarande obligatoriska kurser på D- eller F-programmen.
Matlab eller motsvarande (Octave, R).
Kurslitteratur
Du hittar information om kurslitteratur antingen i kursomgångens kurs-PM eller i kursomgångens kursrum i Canvas.
Examination och slutförande
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 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.
Övriga krav för slutbetyg
Inlämningsuppgifter samt ett projekt (INL1; 6 hp).
Examinator
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
Kursrum i Canvas
Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.
Ges av
Huvudområde
Datalogi och datateknik
Utbildningsnivå
Avancerad nivå
Övrig information
I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex
Denna kurs överlappar med DD2420 Probabilistiska grafiska modeller.