SF2935 Moderna metoder för statistisk inlärning 7,5 hp

Modern Methods of Statistical Learning

Visa kursinformation utifrån vald termin och kursomgång:

Kursomgång och genomförande

Ingen kursomgång är vald

Välj termin och kursomgång ovan för att få information från rätt kursplan och kursomgång.

Kursinformation

Innehåll och lärandemål

Kursinnehåll *

Kursen ger en överblick av de viktigaste metoderna i den moderna teorin för statistisk inlärning. Kursen ger stor vikt åt klassificeringsmetoder, vektoriella maskiner, artificiella neutrala nätverk, bestlutstråd, samt klustring (K-means clustering) och metoden med de närmaste grannarna. Datorbaserade projekt utgör en viktig lärandeaktivitet.

Lärandemål *

Kursen ger en överblick av de viktigaste praktiska metoderna i statistisk inlärningsteori. Kursens huvudvikt ligger i projektarbete med olika datamängder. Efter fullgjord kurs förväntas studenten kunna:

  • känna igen skillnaden mellan icke-övervakad och övervakad inlärning

  • de grundläggande matematiska sambanden mellan och bland de statistiska inlärningsalgoritmerna samt de olika paradigmens svagheter och styrkor

  • identifiera det rätta statistiska verktyget för data-analys i verkligheten utifrån ett explicit resonemang kan utveckla algoritmer för undermodellerade datagenerande situationer

  • utveckla informativa modeller för stora och massiva datamängder samt för små datamängder

  • ta fram och implementera olika algoritmer för statistisk inlärning i många olika situationer

  • utveckla metoder för att validera en modell, optimera prestandan hos en modell och avrapportera förväntad precision

  • läsa nya forskningsuppsatser och förstå

  • de frågor som behandlas av aktuell forskning

För att få det högsta betyget skall studenten därtill kunna

  • kombinera olika modeller för att få förbättrade resultat

Kursupplägg

Föreläsningar, presentationer, projektarbete.

Kurslitteratur och förberedelser

Särskild behörighet *

SF1901 Sannolikhet och statistik, linjär algebra, en- och flervariabel analys, numeriska metoder.  

Rekommenderade förkunskaper

Analys i en och flera variabler, linjär algebra,  numeriska  metoder,  differentialekvationer, sannolikhet och statistik 

Utrustning

Ingen information tillagd

Kurslitteratur

An introduction to Statistical Learning, G. James, D. Witten, T. Hastie, R. Tibshirani, Springer Verlag, och material som presenteras på kursens websida.

Examination och slutförande

Betygsskala *

A, B, C, D, E, FX, F

Examination *

  • TENA - Tentamen, 4,5 hp, betygsskala: A, B, C, D, E, FX, F
  • ÖVN1 - Övningsuppgift, 3,0 hp, betygsskala: P, F

Examinator beslutar, baserat på rekommendation från KTH:s samordnare för funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Den skriftliga examen kommer att omfatta frågor av konceptuell karaktär.

Övriga krav för slutbetyg *

Skriftlig tentamen, projektuppgifter

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Pierre Nyquist

Ytterligare information

Kurswebb

Ytterligare information om kursen kan hittas på kurswebben via länken nedan. Information på kurswebben kommer framöver flyttas till denna sida.

Kurswebb SF2935

Ges av

SCI/Matematik

Huvudområde *

Matematik

Utbildningsnivå *

Avancerad nivå

Påbyggnad

Ingen information tillagd

Kontaktperson

Pierre Nyquist (pierren@kth.se)

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.