Engelska

Varje vårtermin

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.

• Swedish:

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, samt redovisa detta skriftligt.

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

Föreläsningar

övrigt

Schemalagd resurstid då deltagarna kan få hjälp med inlämningsuppgifterna.

Inlämningsuppgifter

Underkänd, godkänd

FMAF05 Matematik - System och transformer och FMS012/FMSF45 Matematisk statistik, allmän kurs.

Antal poäng som uppnåtts i kurserna FMS012, FMSF20, FMSF10, FMSN40, FMA051, FMA120 och FMAN20.

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

FMAN45F

 -02-09

Professor Thomas Johansson