FID3026 Differentierbara probabilistiska programmeringsspråk 7,5 hp
I denna kurs lär sig doktoranden grunderna inom en ny kategori av programmerings- och modelleringsspråk: differentierbar probabilistisk programmering. Nyckelområden inom kursen är Bayesiansk slutledning, semantik inom probabilistiska programmeringsspråk, samt automatisk differentiering. Kursen behandlar både teoretiska och praktiska aspekter, vilket inkluderar aktuell forskning inom området. Vid slutet av kursen utför studenterna mindre individuella projekt där de tillämpar differentierbara probabilistisk programmering på öppen data eller annan data som är relevant för FNs hållbarhetsmål.
Information för forskarstuderande om när kursen ges
Kursen ges första gången V22, P3 och P4.
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
HT 2023 Start 2023-08-28 programstuderande
Anmälningskod
50757
Innehåll och lärandemål
Kursupplägg
Kursen består av flera moduler med olika aktiviteter, som inkluderar områden som statistik, Bayesiansk slutledning, probabilistisk programmering, differentierbar programmering, modellering och tillämpningar. Kursen inkluderar formativ examination, där lärandemoment och bedömning är kombinerad, vilket inkluderar obligatoriska seminarier och föreläsningar, individuella presentationer, individuella hemuppgifter, en projektrapport, samt bedömning av varandras arbeten.
Kursinnehåll
Kursen innehåller olika metoder, algoritmer, semantiker, matematiska koncept och tillämpningar inom differentierbar probabilistiskt programmering. Detta inkluderar frekventinistisk- jämfört med Bayesiansk statistik, Bayes regel, conjugate priors, Markov chain Monte Carlo, Sekventiell Monte Carlo (Sequential Monte Carlo), viktighetssampling (Importance Sampling), Variational uppskattning, automatisk differentiering (både framåt- och bakåt-ackumulationsmetoder), verktyg och språk för probabilistisk och differentierbar programmering (som t.ex. Latent Dirichlet Allocation, Ekvationsbaserad Objekt-Orienterad Modellering och Neurala Nätverk) och exempelområden relaterade till FNs hållbarhetsmål.
Lärandemål
Efter godkänd kurs ska doktoranden kunna:
- designa och implementera ett enkelt probabilistiskt programmingsspråk genom ytlig (shallow) inbäddning
- analysera och utvärdera olika Bayesianska slutledningsmetoder
- implementera och analysera olika metoder för automatisk differentiering
- analysera och förklara semantiker för differentierbara och probabilistiska programmeringsspråk
- modellera, tillämpa och reflektera över differentierbara eller probabilistiska programmeringstekniker i olika applikationsområden, inklusive områden inom FNs hållbarshetsmål.
Kurslitteratur och förberedelser
Särskild behörighet
Antagen som doktorand.
Rekommenderade förkunskaper
Studenten förväntas ha mycket bra kunskap inom olika programmeringsspråk, samt grundläggande kunskap inom programspråksteori.
Utrustning
Kurslitteratur
Uppgift om kurslitteratur meddelas i kurs-PM.
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- EXA1 - Examination, 7,5 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.
Kursen examineras genom individuella inlämningsuppgifter, seminarier, individuella presentationer, skriftlig rapport, samt kamratgranskningsuppgifter.
Övriga krav för slutbetyg
För att uppnå betyg godkänt måste studenten erhålla godkänt på inlämningsuppgifter, på den skriftliga rapporten, på kamratgranskningsuppiften och på individuella presentationer. Studenten måste också aktivt deltaga i alla seminarier och föreläsningar. Om studenten inte kan delta på ett visst seminarium eller föreläsning behöver hen utföra en kompletterande uppgift som kompensation.
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.