CM2026 Avancerad maskininlärning för datadriven hälsa 7,5 hp

-     Dimensionalitetsreduktion (Dimensionality Reduction)

-      Grafiska modeller (Graphical Models)

-      Variationell slutledning (Variational Inference)

-      Bayesiansk inlärning (Bayesian learning)

-      Dolda Markov-modeller och Markovs beslutsprocess (Hidden Markov Models and Markov Decision Processes)

-      Diagram över neurala nätverk (Graph Neural Networks)

Efter godkänd kurs ska studenten kunna

·       förklara och motivera flera viktiga metoder för maskininlärning

·       redogöra för flera typer av metoder och algoritmer som används inom området djupinlärning och inferensmetoder

·       implementera och tillämpa flera typer av metoder, modeller och algoritmer som används inom området baserat på en beskrivning på hög nivå, på hälsodata

·       utöka och modifiera de metoder som kursen behandlar

Kunskaper i programmering, motsvarande 6 hp

kunskaper i linjär algebra, motsvarande 6 hp

kunskaper i statistik och sannolikhet, motsvarande 6 hp

Engelska 6

och

grundläggande kunskaper om maskininlärning och artificiell intelligens, motsvarande genomgången kurs CM1001 eller CM2011

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

• PRO1 - Grupprojekt, 2,5 hp, betygsskala: P, F
• RED1 - Inlämningsuppgifter, 5,0 hp, betygsskala: A, B, C, D, E, FX, F

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

• Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
• Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
• Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.