Engelska

Vid tillräcklig efterfrågan

Att ge kännedom om grunderna för maskinlärning -- konstruktion av automatiserade system som kan lära/hämta information från data, till exempel lära sig känna igen tecken i handskriven text.

Inlärning, prövning, generalisering, hypotesrum
Linjär regression och klassificering
Kärnmetoder och stödvektormaskiner
Grafiska modeller
Superpositionsmodeller, EM-algoritmen.
Variations- och samplingsmetoder.

ha god förståelse för de statistiska principerna som ligger till grund för maskininlärning
ha kunskap om den vetenskapliga grunden för att utveckla och analysera inlärningsalgoritmer och lärande system
ha fördjupade kunskaper om metoder och teorier inom området maskininlärning.

ha visad förmåga att utveckla inlärningsmetoder och lärande system för relevanta tekniska frågeställningar
ha visad förmåga att identifiera, formulera, designa och implementera lärande komponenter och applikationer.

ha förmåga att kritiskt värdera och jämföra olika inlärningsmodeller och inlärningsalgoritmer för olika problemuppställningar och kvalitetsegenskaper.

Föreläsningar

Seminarier

Projekt

Litteraturkurs som självstudier

Inlämningsuppgifter

Seminarieföredrag av deltagarna

Obligatoriska inlämningsuppgifter som inkluderar datorarbete och rapport. Inlämningsuppgifterna ska ha kamratgranskats samt diskuterats i studiegruppen.

Underkänd, godkänd

FMA420 Linjär algebra, FMA430 Flerdimensionell analys, FMAF05 System och transformer samt någon av grundkurserna i Matematisk statistik.

Bishop, C. M: Pattern Recognition and Machine Learning. Springer, 2006. ISBN 9780387310732.

Examinator: Maria Kihl (maria.kihl@eit.lth.se)

EIT155F

 -12-08

Professor Thomas Johansson