Y-sektionens studienämnd är ansvariga för att informationen på guiden är aktuell. Om du hittar någonting som inte stämmer kan du mejla SNY.

Budgetår

Institution

IDA

Examinator

Bertil Wegmann

Schemablock

Halvtermin
VT2: block 2

Huvudområden

Datateknik
Datavetenskap

Nivå

A1F

Tidsfördelning

6,0HP
Schemalagd tid: 48 timmar
Självstudietid: 112 timmar

SNY har ordet

Det finns inga aktuella kommentarer för kursen. Om du har läst kursen får du gärna kontakta SNY med en kommentar för att förbättra kommande upplagor av Y-arens guide till galaxen.

Innehåll

Likelihood, Subjectiv sannolikhet, Bayes sats, Apriori- och aposteriorifördelning, Bayesiansk analys av modellerna: Bernoulli, Normal, Multinomial, Multivariat normal, Linjär och icke-linjär regression, Binär regression, Mixture modeller; Regulariserings prior, Klassificering Naïve Bayes, Marginalisering, Posterior approximation, Prediktion, Beslutsteori, Markov Chain Monte Carlo, Gibbs sampling, Bayesiansk variabelselektion, Modellval, Model averaging. 
 

Mål

Kursen ger en gedigen introduktion till bayesiansk inlärning, med speciell fokus på teori, modeller och metoder som används inom tillämpad maskininlärning. Grundläggande ideér och begrepp inom bayesiansk analys presenteras genom detaljerad analys av enklare sannolikhetsmodeller. Kursen presenterar de vanligast förekommande simuleringsalgoritmerna, och visar hur dessa algoritmer kan användas för att lösa komplexa maskininlärningsproblem. Efter genomgången kurs ska den studerande kunna:

  • härleda posteriorfördelningen i ett antal enklare sannolikhetsmodeller
  • använda simuleringsmetoder för bayesiansk analys av komplexa modeller
  • utföra bayesiansk prediktion och beslutsfattande under osäkerhet
  • utföra bayesiansk modellinferens.

 

Examinationsmoment

LAB1 - 1,0 HP
Datorlaborationer (U, G)
DAT2 - 5,0 HP
Datortentamen (U, 3, 4, 5)

Examination


DAT2 är en tentamen i datorsal som prövar studenternas teoretiska kunskaper och problemlösningsförmåga inom maskininlärning.
LAB1 består av datorlaborationer som prövar studenternas förmåga att omsätta teoretisk kunskap till praktisk problemlösning inom bayesiansk maskininlärning.

Organisation

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

Litteratur

Böcker

  • Gelman, A., Carlin, J.B., Stern, H. S., Dunson, D. B., Vehtari, A., and Donald Rubin, D.B., (2013) Bayesian Data Analysis 3rd edition Chapman & Hall

Relaterade profiler

Datadriven analys och maskinintelligens
DAMI - ISY

Kommentarer

Logga in för att kunna läsa och skriva kommentarer.