Innehåll

Kursen omfattar avancerade metoder inom maskininlärning som möjliggör modellering av komplexa fenomen och förutsägelse av resultaten av dessa fenomen. Följande ämnen ingår i kursen:

• Probabilistiska grafiska modeller, såsom Bayesiska nätverk och Markov random-fields,
• Dolda Markov-modeller inklusive algoritmerna forward-backward och Viterbi,
• Reinforcment learning inklusive Q-learning och REINFORCE algoritmer,
• Gaussisk process för klassificering och regression.

Mål

Kursen presenterar analysmetoder för ett flertal stora klasser av modeller som är frekvent förekommande inom avancerad maskininlärning, t ex tillståndsmodeller (state-space), gaussiska processer, dolda Markovprocesser (hidden Markov models), bayesianska nätverk och Markovslumpfält. Kursdeltagarna kommer lära sig om dessa modellers struktur och egenskaper, i vilka situationer och hur de kan tillämpas i praktiska maskininlärningsproblem, och hur resultaten ska tolkas. Modellerna analyseras i huvudsak utifrån ett bayesianskt perspektiv.
Efter genomgången kurs ska den studerande kunna:

• använda de genomgångna modellerna för att korrekt formulera och lösa praktiska problem.
• utföra inferens och prediktion i de presenterade modellerna
• utforma algoritmer för att få en agent att lära sig att agera optimalt genom att interagera med miljön, samt
• implementera modellerna och inferensmetoderna i ett programspråk. 

Examinationsmoment

Examination

Organisation

Undervisningen består av föreläsningar, seminarier och datorlaborationer. Föreläsningar används för att introducera begrepp och teori som studenterna sedan använder i praktisk problemlösning vid datorlaborationer. Seminarierna används för diskussioner och studentpresentationer av lösningar till datorlaborationerna.
 

Litteratur

Relaterade profiler

Kommentarer