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

Skriftlig tentamen

Inlämningsuppgifter

Hemtentamen

Underkänd, godkänd

Linjär algebra, flerdimensionell analys, system och transformer, sannolikhetsteori.

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

Kursen ges av professor Cristian Sminchisescu.

FMA085F

 -03-24

FN1/Anders Gustafsson