SNY har ordet

Kursutvärderingar

Innehåll

Introduktion och översikt av maskininlärningsområdet och dess tillämpningsområden. Unsupervised och supervised learning. Diskriminativa och generativa modeller. Prediktion. Generalisering. Klassificering. Nearest neighbors. Naïve Bayes. Diskriminantanalys. Korsvalidering. Modellval. Överanpassning. Bootstrap. Regression. Regularisering. Ridge regression. Lasso. Variabelselektion. Binär och multi-klass regression. Dimensionsreducering. PCA. ICA. Kernel smoothers. Support vector machines. Beslutsträd. Gaussiska processer. Mixture models.

Mål

Kursens övergripande mål är att ge en introduktion till maskininlärning, med speciellt fokus på regression- och klassificeringsproblem. Maskininlärning presenteras med utgångspunkt från inferens och prediktion med sannolikhetsmodeller,. Kursen har som mål att ge den studerande översikt av maskininlärningsområdet utifrån ett enhetligt ramverk och en bra grund för fortsatta studier inom området.
Efter avslutad kurs skall den studerande kunna:

• använda relevanta begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem.
• göra inferens för parametrarna i ett antal vanligt förekommande maskininlärningsmodeller.
• använda maskininlärningsmodeller för prediktion och beslutsfattande.
• utvärdera och välja bland modeller.
• kunna implementera maskininlärningsmodeller och algoritmer i ett programmeringspråk.

Examinationsmoment

Examination

Organisation

Undervisningen består av föreläsningar och datorlaborationer. Föreläsningar används för att introducera begrepp och teori som studenterna sedan använder i praktisk problemlösning vid datorlaborationer.

Litteratur

Böcker

• Bishop, C. M, (2006) Pattern Recognition and Machine Learning Springer
• Hastie, T., Tibshirani, R., och Friedman J., (2009) The Elements of Statistical Learning: Data Mining, Inference and Prediction 2:a upplagan Springer

Relaterade profiler

Kommentarer