FEO3274 Mönsterigenkänning, maskininlärning och data analys 12,0 hp

Teoretisk innehåll: Bayes minimala risk kriterie, maximum likelihood (ML),

maximum-a-posteriori (MAP), igenkänning för sekvenser av vektorer, dolda

Markovmodeller (HMM), grafiska modeller, Gaussiska processer, expectationmaximization

(EM), approximativ interferens, variations Bayes, artificiella neurala

nätverk (ANN), bakpropagering, problemet små gradienter, djup inlärning,

begränsade Boltzmann maskiner (RBM), glesa representationer, representations

inlärning, konvex optimering, giriga metoder, metoder med glesa kärnor – relevance

vector machine (RVM) och support vector machine (SVM), grafiska modeller,

adaptiv inlärning, online lärande, inlärning i nätverk, dubbelt stokastiska nätverk,

anpassning över nätverk.

Efter genomgången kurs ska studenterna för godkänt betyg kunna

1. Identifiera och formulera igenkänning och inlärning samt kunna analysera

problem givet en viss datamängd.

2. Designa system och algoritmer. Kritiskt kunna jämföra avvägningen mellan

komplexitet och prestanda. Kunna sammanställa resultaten i en rapport.

3. Implementera algoritmer med hjälp av konvex optimering och Bayesianska

metoder.

4. Bidra till forskning inom området.

Grunder i linjär algebra och sannolikhetsteori

1. Pattern Recognition, Compendium by Arne Leijon and Gustav Henter.

2. Pattern Recognition and Machine Learning, by C.M. Bishop.

3. Deep learning methods and applications, by L. Deng and D, Yu.

4. Adaptation, learning and optimization over networks, by A.H. Sayed.

5. Sparse and redundant representations: from theory to applications in signal

and image processing, by M. Elad.

6. Advanced data analysis from an elementary point of view, by C.R. Shalizi.

7. Research paper handouts

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

• EXA1 - Examination, 12,0 hp, betygsskala: P, F

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.

1. Godkänt betyg på provet efter halva kursen.

2. Måste genomföra 3 givna projekt.

3. Godkänt på 2 oförberedda test.

4. Minst 75% närvaro på övningarna.

5. Tillfredsställande utförande av forskningsprojekt (förslagsvis inom det egna

forskningsområdet). Förväntas finna innovativa resultat med en korrekt

rapport som är lämpligt för publikation.

6. Tillfredsställande presentation av en forskningsartikel.

Saikat Chatterjee

• 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.