FEP3260 Grunderna i maskininlärning över nätverk 10,0 hp

·        Föreläsning 1: Introduktion

·        Föreläsning 2: Centraliserad konvex ML

·        Föreläsning 3: Centraliserad Nonconvex ML

·        Föreläsning 4: Distribuerad ML

·        Föreläsning 5: ADMM, gästföreläsare

·        Föreläsning 6: Kommunikationseffektivitet

·        Föreläsning 7: Deep Neural Networks

·        Föreläsning 8: Datoruppdragssession och hemläxa

·        Föreläsning 9: Särskilt ämne 1: Storskalig ML

·        Föreläsning 10: Särskilt ämne 2: Säkerhet i MLoNs

·        Föreläsning 11: Särskilt ämne 3: Online MLoNs

·        Föreläsning 12: Särskilt ämne 4: MLoNs med partiell kunskap

·        Föreläsning 13: Särskilt ämne 5: Användningsområden och öppna forskningsproblem

·        ge nya verktyg och träning för att modellera grundläggande ML-problem genom optimering

·        presentera grundläggande teorier av storskalig ML, distribuerad ML och MLoNs

·        ge en grundlig förståelse för hur sådana problem löses, fördelar och nackdelar med olika tillvägagångssätt, och viss erfarenhet av att lösa dem

·        granskning om aktuella ämnen i ML och MLoNs, inklusive kommunikationseffektivitet, säkerhet och MLoNs med partiell kunskap

·        ge eleverna bakgrund och färdigheter som krävs för att göra forskning inom detta växande område

Grundläggande kunskaper om konvex optimering och sannolikhetsteori krävs för att följa kursen.

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

• EXA1 - Examination, 10,0 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.

·       

·        Delta i minst 11 föreläsningar (av 13)

·        45 min muntlig presentation av ett valt ämne i en särskild ämnesföreläsning

·        80% på läxor och datoruppdrag

·        Projekt (helst på problem med studentens egen forskning)

Carlo Fischione

• 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.