Inför kursval

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

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

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

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.

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

Övrig information

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