DD3434 Maskininlärning, avancerad kurs 7,5 hp

Machine Learning, Advanced Course

  • Utbildningsnivå

    Forskarnivå
  • Huvudområde

  • Betygsskala

    P, F

Kurstillfällen/kursomgångar

HT18 för programstuderande

  • Perioder

    HT18 P2 (7,5 hp)

  • Anmälningskod

    51740

  • Kursen startar

    2018-10-29

  • Kursen slutar

    2019-01-14

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

Lärandemål

Efter kursen ska studenten kunna

*) förklara, härleda och implementera ett antal modeller för övervakad och oövervakad inlärning,

*) analytiskt demonstrera hur olika modeller och algoritmer relaterar till varandra,

*) förklara styrkor och svagheter för olika modeller och algoritmer,

 *) välja lämplig modell eller strategi för ett nytt maskininlärningsproblem.

 Mer specifikt ifråga om metodiker ska studenten kunna

*) förklara EM-algoritmen och identifiera problem där den är tillämplig,

*) förklara terminologin för Bayesianska nätverk och topicmodeller och tillämpa dessa på realistiska datamängder,

*) förklara och härleda boostingalgoritmer och designa nya boostingalgoritmer med olika kostnadsfunktioner,

*) förklara och implementera tekniker för inlärning av särdragsrepresentationer från olika typer av data.

Kursens huvudsakliga innehåll

Maskininlärning är vetenskapen om algoritmer som förbättrar sin prestanda genom att lära sig från erfarenhet; oftast i form av data med eller utan uppmärkning (tex klassifieringsetiketter). Maskininlärningsalgoritmer används inom ett stort antal tillämpningsområden. Oberoende av område måste dock en utvecklare av sådana algoritmer ha en systematisk förståelse av hur ett given uppgift kan formuleras som ett maskininlärningsproblem. Målet med denna kurs är att ge dig denna systematiska förståelse. Vi kommer gå igenom ett antal maskininlärningsalgoritmer och statistiska modelleringstekniker. Men framförallt kommer du lära dig hur de olika algoritmerna är uppbyggda, hur de relaterar till varandra, och när de är tillämpliga i teorin och i praktiken.

Behörighet

Litteratur

Examination

  • EXA1 - Examination, 7,5, betygsskala: P, F

Ges av

EECS/Beräkningsvetenskap och beräkningsteknik

Examinator

Jens Lagergren <jensl@kth.se>

Versionsinformation

Kursplan gäller från och med HT2016.
Examinationsinformation gäller från och med VT2019.