Engelska

Vid tillräcklig efterfrågan

Grafiska modeller, Bayesiansk inlärning och statistisk, sambandsbaserad inlärning är en kärnkurs inom Wallenberg AI Autonomous Systems and Software Program (WASP), mer specifikt inom WASP-AI forskarskolan, vars syfte är att ge en fördjupad förståelse inom den typen av modeller och inlärningsmetoder som kursrubriken avser. Dessa skiljer sig från t ex djupinlärningsansatser eller förstärkningsinlärning till en grad som kräver en egen kurs för att bredda kunskapen inom det allmänna WASP-AI-kärnområdet maskininlärning.

Kursen består av tre moduler som behandlar grafiska modeller, algoritmer för att dra slutsatser med hjälp av eller lära upp sådana modeller, samt kombinationen av logiska och probabilistiska ansatser till kunskapsrepresentation och resonerande.

Områden som diskuteras inkluderar probabilistiska grafiska modeller, orsaksbaserade modeller, 'interventional' fördelningar och algoritmer för strukturinlärning (modul 1); Markov Chain Monte Carlo-ansatser, uppskattningsbaserade meddelanden och variationsbaserad slutsatsdragning, med fokus på slutsatser inom probabilistiska grafiska modeller (modul 2); Generaliserade syntax och semantik för sats- och predikatlogik, samt viktiga resultat inom algoritmisk bestämbarhet och effektivitet för logiska formalismer (modul 3).

- kunna termer, koncept och matematiska / logiska uttryck som används i det presenterade materialet
- kunna förstå och förklara de presenterade koncepten
- kunna använda de presenterade koncepten för att uttrycka ett givet problem med deras hjälp,
- kunna de konceptuella och matematiska verktyg och metoder som behövs för att lösa ett givet problem

- kunna lösa givna problem / uppgifter med de presenterade verktygen, åtminstone på en viss nivå av komplexitet
- bedöma om ett visst verktyg är användbart i en given kontext utanför kursens direkta innehåll
- kunna överföra de lärda koncepten och verktyg till problem utanför själva kursen om detta är lämplig

- kunna bedöma fördelar, ramen för användningsmöjligheter och begränsningar av presenterade verktyg och koncept i en given (forskningsrelaterad) kontext
- kunna granska och bedöma konsekvenserna av tillämpningen av inom kursen diskuterade verktyg utan för kursens direkta ramen

Föreläsningar

Laborationer

övningar

Litteraturkurs som självstudier

övrigt

Varje modul består av ett fysiskt två-dagars-möte och är individuellt sammansatt av respektive kursledare, med en blandning av (delar av) självstudiematerial, läsanvisningar, föreläsningar, övningar, laborationer och inlämningsuppgifter.

Inlämningsuppgifter

övrigt

Examinationskriteria utöver aktivt deltagande i det fysiska mötet för varje module fastställs och kommuniceras av respektive ansvarig lärare för varje modul i samband med det fysiska mötet för modulen.

Underkänd, godkänd

Specifiska förkunskaper per modul meddelas genom kurshemsidan innan kursstart. Generellt förutsätter kursen att studenten har vissa kunskaper inom probabilistiska metoder, grafiska modeller, och predikatlogik. Kursdeltagare antas ha en bakgrund i Datavetenskap, Matematik, Teknisk Physik, Elektroteknik eller ett närliggande område.

 

Kursmaterial (föreläsningsbilder, artiklar och literaturhänvisningar) och övningsuppgifter är tillgängliga genom kurshemsidan eller ett motsvarande kurshanteringssystem enligt angivelse av modulansvarig lärare.

EDA055F

2019-10-08

Professor Thomas Johansson