EQ2341 Mönsterigenkänning och maskininlärning 7,5 hp

Pattern Recognition and Machine Learning

Kursen behandlar grundläggande och avancerade mönsterigenkänningsmetoder för klassificeringsuppgifter av signaler och data. Ett Bayesianskt angreppssätt används i kursen. Enkla tillämpningar kan vara igenkänning av siffror eller ord. En komplex tillämpning kan t ex vara i sjukvården, såsom att diagnosticera en sjukdom utifrån patientdata.

  • Utbildningsnivå

    Avancerad nivå
  • Huvudområde

    Elektroteknik
  • Betygsskala

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

Kurstillfällen/kursomgångar

VT19 för Study Abroad Programme (SAP)

  • Perioder

    VT19 P4 (7,5 hp)

  • Anmälningskod

    20038

  • Kursen startar

    2019-03-18

  • Kursen slutar

    2019-06-04

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

  • Kursansvarig

    Saikat Chatterjee <sach@kth.se>

  • Lärare

    Saikat Chatterjee <sach@kth.se>

  • Målgrupp

    Endast öppet för studenter från avtalsuniversitet inom programmet SAP

VT19 Doktorand för fristående studerande

  • Perioder

    VT19 P4 (7,5 hp)

  • Anmälningskod

    20130

  • Kursen startar

    2019-03-18

  • Kursen slutar

    2019-06-04

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser *

    Max. 1

    *) Vid fler sökande än platser kommer urval att ske.

  • Kursansvarig

    Saikat Chatterjee <sach@kth.se>

  • Lärare

    Saikat Chatterjee <sach@kth.se>

  • Målgrupp

    Endast för doktorander på KTH

VT19 Doktorand för programstuderande INSTÄLLD

  • Perioder

    VT19 P4 (7,5 hp)

  • Anmälningskod

    61540

  • Kursen startar

    2019-03-18

  • Kursen slutar

    2019-06-04

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser *

    Max. 1

    *) Vid fler sökande än platser kommer urval att ske.

  • Kursansvarig

    Saikat Chatterjee <sach@kth.se>

  • Lärare

    Saikat Chatterjee <sach@kth.se>

  • Målgrupp

    Endast för doktorander på KTH

Lärandemål

Studenterna skall efter genomgången kurs kunna

•                     Beskriva modeler för mönsterigenkänningssystem och formulera den optimal kostnadsfunktionen, inom ett stokastiskt ramverk, och utvärdera systemets prestanda, analytiskt och experimentellt.

•                     Beskriva ett mönsterigenkänningsproblem för en sekvens av observerade signaler och angripa problemet mha hidden Markov-modeller (HMM).

•                     Konstruera system och algoritmer för mönsterigenkänning. Kritiskt jämföra algoritmer med avseende på avvägningen mellan komplexitet och prestanda. Presentera och rapportera resultaten.

•                    Implementera och analysera maskininlärningsbaserade metoder för automatisk träning av mönsterigenkänningssystem.

Kursens huvudsakliga innehåll

Kursen behandlar grundläggande och avancerade mönsterigenkänningsmetoder för klassificeringsuppgifter av signaler och data. Ett Bayesianskt angreppssätt används i kursen. Enkla tillämpningar kan vara igenkänning av siffror eller ord. En komplex tillämpning kan t ex vara i sjukvården, såsom att diagnosticera en sjukdom utifrån patientdata. Kursen täcker följande:

•                     Mönsterigenkänningsproblem inom ett Bayesianskt ramverk. Formulera optimala kostnadsfunktioner och därefter ta fram klassifieringsregler baserast på maximum likelihood (ML) och maximum aposteriori (MAP).

•                     Diskriminantfunktioner

•                     Hidden Markov-modeller (HMM) för klassificering av sekvenser av egenskapsvektorer.

•                     Maskininlärningsbaserade metoder för att träna HMM – användning av expectation-maximization (EM).

•                    Approximativ maskininlärning, såsom variational Bayes.

Kursupplägg

Preliminärt 14 föreläsningar och 10 övningar.

Behörighet

För fristående kursstudent: 120 hp samt Engelska B eller motsvarande.

Rekommenderade förkunskaper

Kunnande om linjär algebra och sannolikhetsteori.

Litteratur

Annonseras på kurshemsidan innan kursstart Preliminär litteratur:

(1)                 Compendium on Pattern Recognition, by Arne Leijon and Gustav Henter

(2)                 Pattern recognition and machine learning, by C.M. Bishop

Examination

  • PRO1 - Projektuppgifter, 2,5, betygsskala: A, B, C, D, E, FX, F
  • TEN1 - Tentamen, 5,0, betygsskala: A, B, C, D, E, FX, F

Krav för slutbetyg

Examinationen baseras på tre slags utvärdering

1.                   ”Master tests”: Två mastertest kommer att ges under de 14 föreläsningarna. Varje test omfattar 20-30 minuter. Syftet är att kontrollera konceptuella förståelsen. Testen förutsätter kontinuerliga studier under kursen och består av korta konceptuella frågor, inga långa problem. Frivilligt! Betygssättning: A-F

2.                   Tillämpade projekt, som examineras via presentationer. Projekten kan utföras i grupper av två personer, men betygssätts individuellt. Betygssättning: A-F

3.                   Skriftlig tentamen. Betygssättning: A-F

Slutbetyget på kursen baseras på en sammanvägd bedömning, där examinatorn anger viktningen.

Projekten och tentamen är obligatoriska, medan mastertest är frivilliga. För högt betyg förväntas studenten nå goda resultat i alla tre delmomenten. Projekten rapporteras som PRO1, 2.5hp och mastertest tillsammans med tentamen som TEN1, 5hp.

Ges av

EECS/Intelligenta system

Examinator

Saikat Chatterjee <sach@kth.se>

Versionsinformation

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