Markovkedjor, betingat oberoende, Bayesianska inferens, forward-backward algoritm, Baum -Welch algoritm, Viterbi algoritm, utvidgningar: faktor HMM, Hidden semimarkov model, dynamiska Bayesianska nätverk.
Projektarbete (modellering, analys) med en tillämpning av interesse.
Kursen ger en översikt av de viktigaste metoderna för beräkning och modellering med HMM och behandlar inte den asymptotiska teorin (ergodicitet) för dolda Markovkedjor. Datorbaserat projektarbete utgör det essentiella kursarbetet och insikterna för modellering och beräkning inhämtade ur detta arbete utgör ett centralt lärandemål.
För att bli godkänd i kursen skall studenten kunna följande:
känna igen de situationer, där de grundläggande dolda Markovkedjorna kan ses som relevanta modeller,
känna igen de situationer, där de utvidgade dolda Markovkedjorna kan ses som relevanta modeller,
kan implementera de grundläggande algoritmerna och modifiera dem efter behov,
kan implementera algoritmer för val av modellfamilj inom HMM,
känner till de centralaste vetenskapliga arbetena inom HMM-litteraturen,
kan ge platsen för HMM inom allmän statistisk inlärningsteori,
att skriva en teknisk rapport som på ett koncist tekniskt språk återger arbetet som nedlagts vid analysering, validering and testning av HMM i en given modelleringssituation.
Grundkurserna i sannolikhet och statistik, differentialkalkyl, dynamisk optimering och Markovkedjor.
Koski, Timo. Hidden Markov models for bioinformatics. Vol. 2. Kluwer Academic Pub, 2001, selected journal papers.
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
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.
En projektrapport skriven med handledning av examinator.
Godkänd projektrapport.
