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.

Visa kursinformation utifrån vald termin och kursomgång:

Kursomgång och genomförande

Ingen kursomgång är vald

Välj termin och kursomgång ovan för att få information från rätt kursplan och kursomgång.

Kursinformation

Innehåll och lärandemål

Kursinnehåll *

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.

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.

Kursupplägg

Preliminärt 14 föreläsningar och 10 övningar.

Kurslitteratur och förberedelser

Särskild behörighet *

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

Rekommenderade förkunskaper

Kunnande om linjär algebra och sannolikhetsteori.

Utrustning

Ingen information tillagd

Kurslitteratur

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 och slutförande

Betygsskala *

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

Examination *

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

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.

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Saikat Chatterjee

Ytterligare information

Kurswebb

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

Kurswebb EQ2341

Ges av

EECS/Intelligenta system

Huvudområde *

Elektroteknik

Utbildningsnivå *

Avancerad nivå

Påbyggnad

Ingen information tillagd

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.