Kursplan för Avancerad probabilistisk maskininlärning

Advanced Probabilistic Machine Learning

Kursplan

  • 5 högskolepoäng
  • Kurskod: 1RT705
  • Utbildningsnivå: Avancerad nivå
  • Huvudområde(n) och successiv fördjupning: Teknik A1F, Datavetenskap A1F, Matematik A1F

    Förklaring av koder

    Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:

    Grundnivå

    • G1N: har endast gymnasiala förkunskapskrav
    • G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
    • G1E: innehåller särskilt utformat examensarbete för högskoleexamen
    • G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
    • G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
    • GXX: kursens fördjupning kan inte klassificeras

    Avancerad nivå

    • A1N: har endast kurs/er på grundnivå som förkunskapskrav
    • A1F: har kurs/er på avancerad nivå som förkunskapskrav
    • A1E: innehåller examensarbete för magisterexamen
    • A2E: innehåller examensarbete för masterexamen
    • AXX: kursens fördjupning kan inte klassificeras

  • Betygsskala: Underkänd (U), godkänd (3), icke utan beröm godkänd (4), med beröm godkänd (5)
  • Inrättad: 2019-03-07
  • Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Reviderad: 2021-03-26
  • Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: HT 2022
  • Behörighet:

    120 hp inklusive Sannolikhet och statistik, Linjär algebra II, Envariabelanalys, Statistisk maskininlärning, en kurs i flervariabelanalys och en kurs i grundläggande programmering. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)

  • Ansvarig institution: Institutionen för informationsteknologi

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) maskininlärningsproblem, och i så fall göra denna formulering.
  • redogöra för likheter och skillnader (såväl praktiska som teoretiska) mellan probabilistiska och "klassiska" maskininlärningsmetoder.
  • redogöra och argumentera för ett probabilistiskt angreppssätt, samt kunna tolka och förklara resultat från probabilistiska maskininlärningsmetoder.
  • analysera, implementera och använda de probabilistiska modeller och metoder som ingår i kursen.
  • kritiskt granska och ge konstruktiv kritik på andras texter om maskininlärning.

Innehåll

Detta är en fortsättningskurs i maskininlärning med fokus på moderna probabilistiska/Bayesianska modeller: Bayesiansk linjär regression och grafiska modeller, samt metoder för att göra exakt och approximativ inferens i dessa modeller: Monte Carlo metoder och moment matchning. Kursen innehåller även erforderlig sannolikhetsteori.

Undervisning

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

Examination

Skriftligt prov (3 hp) samt muntlig och skriftlig redovisning av uppgifter (2 hp).

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.

Övriga föreskrifter

Kursen kan ej ingå i samma examen som 1RT003 Avancerad probabilistisk maskininlärning.

Versioner av kursplanen

Litteratur

Litteraturlista

Gäller från: HT 2022

I bibliotekets söktjänst kan du se om en titel finns elektroniskt.

Skriv ut kursplan och litteraturlista
Skriv ut