Behörighetskrav

120 hp inklusive Sannolikhet och statistik, Linjär algebra II, Envariabelanalys, Statistisk maskininlärning, en kurs i flervariabelanalys och en kurs i grundläggande programmering.

Mål

Efter godkänd kurs ska studenten kunna

• diskutera och avgöra om ett ingenjörsmässigt relevant problem går att formulera som ett övervakat (supervised) eller oövervakat (unsupervised) maskinlärningsproblem, och i så fall göra denna formulering.
• redogöra för likheter och skillnader (såväl praktiska som teoretiska) mellan probabilistiska och "klassiska" maskininlärningsmetoder.
• visa förtrogenhet med och argumentera för ett probabilistiskt angreppssätt, samt kunna tolka och förklara resultat från probabilistiska maskininlärningsmetoder.
• härleda, analysera, implementera och använda de probabilistiska metoder som ingår i kursen.
• analysera, implementera och använda metoder för icke-linjär dimensionsreduktion.

Innehåll

Detta är en fortsättningskurs i maskininlärning med fokus på moderna probabilistiska/Bayesianska metoder: Bayesiansk linjär regression, Bayesianska nätverk, latenta variabel-modeller och Gaussprocesser, samt metoder för att göra exakt och approximativ inferens i dessa modeller. Kursen innehåller även erforderlig sannolikhetsteori samt metoder för dimensionalitetsreduktion av data.

Undervisning

Föreläsningar, lektioner (både med och utan dator), laboration, återkoppling på skriftliga uppgifter.

Examination

Muntligt prov samt muntlig och skriftlig redovisning av uppgifter.

​Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.