DD2420 Probabilistiska grafiska modeller 7,5 hp

Kursens huvudsakliga innehåll är:

Grafrepresentationer: diskriminativa och generativa modeller, Bayesianska nät (DAG), oriktade grafmodeller (MRF/faktorgrafer), exponentiella fördelningar, D-separation, Markovfilt.

Exakt slutledning: meddelandealgoritmer, variabeleliminering, faktorgrafer från DAG, klickgrafer/träd, slutledning med evidens, knutpunktsträdsalgoritmer mm.

Approximativ slutledning: ”Loopy belief”-fortplantning, montecarloprincipen, MCMC (Markov Chain Monte Carlo), variationsmetoder, MAP-slutledning mm.

Inlärning: parameterskattning, maximumlikelihoodmetoden, konjugerad apriori, Gaussiska, Beta- och Dirichletfördelningar, delvis observerade data, gradientmetoden, EM (Expectation Maximization) mm.

Efter godkänd kurs ska studenten kunna

• förklara och resonera kring hur olika grafer representerar såväl uppdelning i faktorer som oberoende förhållanden
• förklara och resonera kring exakt slutledning hos grafiska modeller
• använda meddelandealgoritmer och utföra alla steg i algoritmerna
• förklara och resonera kring metoder för inlärning av modellparametrarnas osäkerheter
• förklara och resonera kring approximativ slutledning såsom sampling, ”loopy belief”-fortplantning och variationsmetoder.

Studenter kan få högre betyg genom att förklara hur delområdena ovan kan användas för att lösa specifika problem. Högsta betyg kan fås genom att förklara komplex verklig forskning med dessa metoder.

Slutförda kurser i samtliga av följande områden:

• Kunskaper och färdigheter i programmering, 6 hp, motsvarande slutförd kurs DD1310-DD1319/DD1331/DD1337/DD100N/ID1018.
• Kunskaper i linjär algebra motsvarande slutförd kurs SF1624/SF1672/SF1684.
• Kunskaper i flervariabelanalys motsvarande slutförd kurs SF1626/SF1674.
• Kunskaper i sannolikhetslära och statistik motsvarande slutförd kurs SF1910-SF1924/SF1935.
• Kunskaper i grundläggande maskininlärning motsvarande DD1420/DD2421.

Aktivt deltagande i kursomgång av DD1420/DD241 vars slutexamination ännu inte är Ladokrapporterad jämställs med slutförd kurs.
Den som är registrerad anses vara aktivt deltagande.
Med slutexamination avses både ordinarie examination och det första omexaminationstillfället.

Linjär algebra, SF1625 Envariabelanalys;

SF1901 Sannolikhetsteori och statistik;

DD2421 Maskininlärning eller DD2434 Maskininlärning, avancerad kurs;

Programmering i matlab och python.

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

• KON1 - Kontrollskrivningar, 2,5 hp, betygsskala: P, F
• OVN1 - Övningsuppgifter, 2,5 hp, betygsskala: P, F
• OVN2 - Övningsuppgifter, 2,5 hp, betygsskala: P, 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.

Möjlighet till omexamination av samtliga kontrollskrivningar (KON1) ges under tentamensperioden i slutet av kursen.

Slutbetyget baseras på hur väl studenten utfört OVN1, OVN2 och KON1 i kombination.

John Folkesson

• 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.

DD2434 Maskininlärning, avancerad kurs

DD2424 Djupinlärning i data science

DD2432 Artificiella neuronnät och andra lärande system

DD2423 Bildbehandling och datorseende

DD2429 Datorfotografi

DD2425 Robotik och autonoma system

EL2320 Tillämpad estimering

De tidigare provmomenten PRO1, PRO2 ersätts av OVN1, OVN2.

De tidigare provmomenten TEN1 och TENT ersätts av KON1.

Den här kursen får inte räknas med i examen om man också har läst DD2447.

I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex