SF2957 Statistisk maskininlärning 7,5 hp

Statistical Machine Learning

  • Utbildningsnivå

    Avancerad nivå
  • Huvudområde

    Matematik
  • Betygsskala

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

Kurstillfällen/kursomgångar

HT19 TTMAM m.fl. för programstuderande

HT19 SAP för Study Abroad Programme (SAP)

  • Perioder

    HT19 P2 (7,5 hp)

  • Anmälningskod

    10044

  • Kursen startar

    2019-10-28

  • Kursen slutar

    2020-01-14

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

  • Kursansvarig

    Henrik Hult <hult@kth.se>

  • Lärare

    Henrik Hult <hult@kth.se>

  • Målgrupp

    Endast för SAP-studenter. Studenter från UCAS.

  • Anmälan

    Fullfölj anmälan för kursen på antagning.se via denna anmälningslänk.
    Observera att anmälan måste slutföras på antagning.se genom egen inloggning.

HT18 SAP för Study Abroad Programme (SAP)

  • Perioder

    HT18 P2 (7,5 hp)

  • Anmälningskod

    10029

  • Kursen startar

    2018-10-29

  • Kursen slutar

    2019-01-14

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

  • Schema

    Schema (nytt fönster)

  • Kursansvarig

    Henrik Hult <hult@kth.se>

  • Lärare

    Henrik Hult <hult@kth.se>

  • Målgrupp

    Endast för SAP-studenter. Studenter från UCAS.

HT18 TTMAM m.fl. för programstuderande

HT18 Doktorand för fristående studerande

  • Perioder

    HT18 P2 (7,5 hp)

  • Anmälningskod

    10168

  • Kursen startar

    2018-10-29

  • Kursen slutar

    2019-01-14

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser *

    Max. 1

    *) Vid fler sökande än platser kommer urval att ske.

  • Kursansvarig

    Henrik Hult <hult@kth.se>

  • Lärare

    Henrik Hult <hult@kth.se>

  • Målgrupp

    För doktorander på KTH

Lärandemål

Kursen ger en överblick av avancerade metoder inom statistisk maskininlärning. Kursen behandlar både teoretiska och praktiska aspekter av avancerad statistisk inlärning. Datorbaserade projekt med diverse datamängder utgör en viktig lärandeaktivitet.

Efter fullgjord kurs förväntas studenten kunna

  • förklara skillnaden mellan framåtnätverk och associativa minnen

  • identifiera likheter mellan begrepp i statistisk inlärning och statistisk mekanik

  • de grundläggande matematiska sambanden mellan och bland de statistiska inlärningsalgoritmerna

  • identifiera det rätta statistiska verktyget for data-analys i verkligheten utifrån ett explicit resone­mang

  • utveckla och implementera optimeringsalgoritmer för träning av modeller inom statistisk maskininlärning

  • ställa upp besluts- och optimala kontrollproblem för att förbättra statistiska inlärningsalgoritmer

  • ta fram och implementera olika algoritmer for statistisk inlärning i manga olika situationer

  • evaluera effektiviteten av olika statistiska maskininlärningsalgoritmer

  • visa på färdigheter i att använda tekniker for dimensionsreduktion

  • identifiera och implementera avancerade beräkningsmetoder i statistisk maskininlärning

  • läsa och förstå nya forskningsuppsatser

För att få det högsta betyget skall studenten därtill kunna:

  • kombinera olika modeller för att få förbättrade resultat

Kursens huvudsakliga innehåll

Kursen ger en överblick av avancerade metoder inom statistisk maskininlärning. Kursen behandlar Hopfieldnätverk, Boltzmannmaskiner, Gaussiska processer, djupinlärning, förstärkningsinlärning, dimensionsreduktion, samt beräkningsmetoder inom statistisk maskininlärning. Kursen behandlar både teoretiska och praktiska aspekter av avancerad statistisk inlärning.

Datorbaserade projekt med diverse datamängder utgör en viktig lärandeaktivitet.

Kursupplägg

Föreläsningar, presentationer, projektarbete.

Behörighet

Linjär algebra, en- och flervariabelanalys, numeriska metoder, datorintensiva metoder.

Slutbetyg i kurserna SF2940 Sannolikhetsteori och SF2935 Moderna metoder i statistisk inlärning.

Rekommenderade förkunskaper

En kurs i optimering.

Litteratur

Böcker, artiklar och föreläsningsanteckningar som presenteras pa kursens hemsida.

Examination

  • TEN1 - Tentamen, 4,5, betygsskala: A, B, C, D, E, FX, F
  • ÖVN1 - Övningsuppgifter, 3,0, betygsskala: P, F

Skriftlig tentamen, projektuppgifter.

Krav för slutbetyg

Godkänd skriftlig tentamen, projektuppgifter.

Ges av

SCI/Matematik

Kontaktperson

Henrik Hult (hult@kth.se)

Examinator

Henrik Hult <hult@kth.se>

Versionsinformation

Kursplan gäller från och med VT2017.
Examinationsinformation gäller från och med HT2017.