Behörighetskrav

Algebra och geometri, Analys,

Sannolikhetsteori och statistik.

Syfte

Kursen syftar till att ge

grundläggande kunskaper och förståelse kring

mönsterigenkänning och lärande system såsom

statistiska klassificerare och artificiella

neuronnät och kring hur sådana kan användas för

datamining, dvs. informationsextraktion från

olika former av insamlade multidimensionella data.

Innehåll

Matematiska grunder för mönsterigenkänning och

data mining, dvs. extraktion av information från

olika former av insamlade multidimensionella data.

Grundläggande koncept som klassificering,

estimering, parametriska och icke-parametriska

metoder, datainsamling, förbehandling, övervakad

och oövervakad inlärning, generalisering.

Klassificeringsmetoder som Bayesiansk

klassificering, artificiella neuronnät, och

k-nearest neighbour classisfication. Linjär och

olinjär regression, klustring och

dimensionsreduktion. Val av metod,

träningsalgoritm och validering.

Tillämpningsexempel.

Laborationer:

Datorlaborationer med verkliga och syntetiska

data.

Undervisning

Föreläsningar, lektioner, seminarier, laborationer

och hemuppgifter.

Examination

Skriftlig tentamen vid kursens slut. För godkännande fordras även godkänd laborationskurs och godkända inlämningsuppgifter