FEO3270 Mönsterigenkänning och maskininlärning 8,0 hp
Denna kurs är avvecklad.
Sista planerade examination: HT 2020
Avvecklingsbeslut:
Ingen information tillagdInformation för forskarstuderande om när kursen ges
Kontakta kursansvarig.
Innehåll och lärandemål
Kursinnehåll
Efter en inledande översikt av sannolikhetsbaserade modeller för multivariat data och principerna för Bayesiansk inlärning, till skillnad mot punktskattning av modelparametrar, utvecklas dessa modeller och metoder vidare för diverse tillämpningar inom regression och klassificering. Följande ämnen täcks i huvudsak:
- Generaliserade linjära modeller för regression och klassificering
- Neurala nätverk
- Kernel-metoder, speciellt glesa metoder såsom Relevance vector machine (RVM) och Support vector machine (SVM)
- Grafiska modeller, inklusive Bayesianska nätverk och markovkedjor
- Mixade-modeller och Expectation-Maximization
- Approximativa inferensmetoder, till exempel, variationsinferens baserad på approximation genom faktorisering
- Monte-Carlo-simuleringsmetoder
- Sannolikhetsbaserad principalkomponentanalys (PCA)
- Modeller för sekventiell data, speciellt gömda markovmodeller
Lärandemål
Efter att ha fått godkänt i denna kurs ska studenten kunna:
- beskriva de generella principerna bakom sannolikhetsbaserad mönsterigenkänning och Bayesianska parameterskattning
- analysera tidigare olösta problem inom data-klassificering eller regression, till exempel problem inom studentens egna forskningsprojekt, och formulera en teoretisk sannolikhetsmodell
- tillämpa Bayesiansk parameterskattning genom att om nödvändigt välja lämpliga approximationer för att göra problemet beräkningsmässigt genomförbart
- förstå och kritiskt analysera nya sannolikhetsbaserade mönsterigenkännings- och maskininlärningsmetoder som föreslås i den vetenskapliga litteraturen
Kurslitteratur och förberedelser
Särskild behörighet
Kursen är avsedd främst för doktorander inom Elektro- och systemteknik eller Datavetenskap.
Goda grundkunskaper i sannolikhetsteori krävs. Kunskaper motsvarande grundkursen EN2202 i Mönsterigenkänning rekommenderas.
Rekommenderade förkunskaper
Kursen är avsedd främst för doktorander inom Elektro- och systemteknik eller Datavetenskap.
Goda grundkunskaper i sannolikhetsteori krävs. Kunskaper motsvarande grundkursen EN2202 i Mönsterigenkänning rekommenderas.
Utrustning
Dator med Matlab.
Kurslitteratur
Bishop, C.M (2006). Pattern recognition and machine learning. Springer.
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
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.
Övriga krav för slutbetyg
Aktivt deltagande på minst 70% av kursmötena. Individuell 72h öppen-bok-tentamen med givna avancerad problem. Minst 50% av dessa ska vara korrekt lösta.
Möjlighet till komplettering
Möjlighet till plussning
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.