SNY har ordet

Kursutvärderingar

Innehåll

Machine learning, classification, pattern recognition, kernel methods and high-dimensional data analysis. Supervised learning: neural networks, linear discriminants, support vector machines, ensemble learning, boosting, deep learning. Unsupervised learning: patterns in high-dimensional data, dimensionality reduction, clustering, principal component analysis. Reinforcement learning: TD-learning, Q-learning.

Mål

Målet är att studenten ska kunna konstruera och tillämpa artificiella neuronnät och liknande metoder för signal, bild och dataanalys som lär sig tidigare erfarenheter och observerat data. Studenten ska kunna tillämpa sådana metoder för att designa algoritmer och för att finna meningsfulla samband i multidimensionella signaler där komplexitetsgraden gör traditionella modellbaserade metoder olämpliga eller omöjliga att använda.
Efter kursen ska studenten kunna:

• Redogöra för skillnaden mellan olika inlärningsparadigm
• Implementera och använda några av de vanligaste metoderna inom dessa paradigm
• Välja lämplig metod för ett givet problem.

Examinationsmoment

Organisation

Föreläsningar, lektioner, laborationer med muntliga eller skriftliga redovisningar.

Litteratur

Övrigt

• Föreläsningsanteckningar

  Kurskompendium: exempelsamling, kompletterande material, lab-PM

Relaterade profiler

Rekommenderade förkunskaper

Rekommenderade förkunskapskrav: Signalbehandling och programmering (Matlab)

Påbyggnadskurser

Kommentarer