FEO3274 Mönsterigenkänning, maskininlärning och data analys 12,0 hp
Välj termin och kursomgång
Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.
Kursval
Gäller för kursomgång
VT 2024 Start 2024-03-18 programstuderande
Anmälningskod
61029
Innehåll och lärandemål
Kursinnehåll
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.
Lärandemål
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.
Kurslitteratur och förberedelser
Särskild behörighet
Rekommenderade förkunskaper
Grunder i linjär algebra och sannolikhetsteori
Utrustning
Kurslitteratur
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
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- 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.
Övriga krav för slutbetyg
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.
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.