- Grunderna i den probabilistiska metoden.
- Probabilistisk modellering.
- Dimensionalitetsreduktion.
- Grafiska modeller.
- Dolda Markov-modeller.
- Förväntansmaximering.
- Variationsbaserad inferens.
- Nätverk i variationsbaserad inferens.
DD2434 Maskininlärning, avancerad kurs 7,5 hp
En fortsättningskurs i maskininlärning, som ger en breddad och fördjupad introduktion till ämnesområdet.
Information per kursomgång
Information för HT 2024 mladv24 programstuderande
- Studielokalisering
KTH Campus
- Varaktighet
- 2024-10-28 - 2025-01-13
- Perioder
- P2 (7,5 hp)
- Studietakt
50%
- Anmälningskod
52222
- Undervisningsform
Normal Dagtid
- Undervisningsspråk
Engelska
- Kurs-PM
- Kurs-PM är inte publicerat
- Antal platser
Ingen platsbegränsning
- Målgrupp
Sökbar för alla studenter från årskurs 3 och för studenter antagna på ett masterprogram, under förutsättning att kursen kan ingå i programmet.
- Planerade schemamoduler
- [object Object]
- Schema
- Del av program
Masterprogram, ICT Innovation, åk 1, DASC, Rekommenderad
Masterprogram, ICT Innovation, åk 1, DASE, Rekommenderad
Masterprogram, ICT Innovation, åk 2, DASC, Rekommenderad
Masterprogram, ICT Innovation, åk 2, DASE, Rekommenderad
Masterprogram, cybersäkerhet, åk 1, Rekommenderad
Masterprogram, cybersäkerhet, åk 2, Rekommenderad
Masterprogram, datalogi, åk 2, CSCS, Rekommenderad
Masterprogram, datalogi, åk 2, CSDA, Villkorligt valfri
Masterprogram, datorsimuleringar inom teknik och naturvetenskap, åk 2, Villkorligt valfri
Masterprogram, industriell ekonomi, åk 1, MAIG, Villkorligt valfri
Masterprogram, information och nätverksteknologi, åk 2, Rekommenderad
Masterprogram, information och nätverksteknologi, åk 2, INF, Rekommenderad
Masterprogram, maskininlärning, åk 1, Obligatorisk
Masterprogram, mekatronik, åk 1, Villkorligt valfri
Masterprogram, systemteknik och robotik, åk 1, LDCS, Villkorligt valfri
Masterprogram, systemteknik och robotik, åk 1, RASM, Villkorligt valfri
Masterprogram, systemteknik och robotik, åk 2, LDCS, Villkorligt valfri
Masterprogram, systemteknik och robotik, åk 2, RASM, Villkorligt valfri
Masterprogram, tillämpad matematik och beräkningsmatematik, åk 1, Valfri
Masterprogram, tillämpad matematik och beräkningsmatematik, åk 2, Valfri
Kontakt
Jens Lagergren (jensl@kth.se)
Kursplan som PDF
Notera: all information från kursplanen visas i tillgängligt format på denna sida.
Kursplan DD2434 (HT 2024–)Innehåll och lärandemål
Kursinnehåll
Lärandemål
Efter godkänd kurs ska studenten kunna
- förklara och motivera flera viktiga metoder för maskininlärning
- redogöra för flera typer av metoder och algoritmer som används i fältet deterministiska inferensmetoder
- implementera flera typer av metoder och algoritmer som används i fältet utifrån en högnivåbeskrivning
- utöka och modifiera de metoder som kursen behandlar
i syfte att kunna göra ett examensarbete inom deterministiska inferensmetoder.
Kurslitteratur och förberedelser
Särskild behörighet
- Kunskaper och färdigheter i programmering, 6 hp, motsvarande slutförd kurs DD1337/DD1310-DD1319/DD1321/DD1331/DD100N/ID1018.
- Kunskaper i linjär algebra, 7,5 hp, motsvarande slutförd kurs SF1624/SF1672/SF1684.
- Kunskaper i flervariabelanalys, 7,5 hp, motsvarande slutförd kurs SF1626/SF1674.
- Kunskaper i sannolikhetsteori och statistik, 6 hp, motsvarande slutförd kurs SF1910-SF1924/SF1935
samt minst en av följande:
antingen
- Kunskaper i grundläggande maskininlärning, 7,5 hp, motsvarande slutförd kurs DD1420/DD2421/EL2810/EQ2341
eller
- Kunskaper i högre matematik som är relevant för avancerad maskininlärning, 15 hp, t.ex. motsvarande slutförda kurser SF2940 Sannolikhetsteori och SF2955 Datorintensiva metoder inom matematisk statistik.
- Kunskaper i grundläggande datalogi, 6 hp, motsvarande slutförd kurs DD1338/DD1320-D1328/DD2325/ID1020/ID1021.
- Ytterligare färdigheter i självständig programvaruutveckling, 12 hp, från slutförda kurser i datalogi, datateknik eller numeriska metoder med laborativa moment som inte utförs i större grupp än två personer. Dessa kurser är utöver ovan nämnda kurser.
Aktivt deltagande i DD1420/DD2421/SF2940 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.
Rekommenderade förkunskaper
För KTH-studenter är den rekommenderade förberedelsen att läsa DD1420.
Även DD2421 och EL2810 godtas som uppfylld särskild behörighet, men det kan då krävas mer tid och ansträngning för att slutföra kursen.
Utrustning
Kurslitteratur
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- HEM1 - Hemtentamen, 3,5 hp, betygsskala: A, B, C, D, E, FX, F
- PRO1 - Projektuppgift, 4,0 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.
Möjlighet till komplettering
Möjlighet till plussning
Examinator
Etiskt förhållningssätt
- 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.
Ytterligare information
Kursrum i Canvas
Ges av
Huvudområde
Utbildningsnivå
Påbyggnad
Kontaktperson
Övergångsbestämmelser
TEN1 ersätts av HEM1 och LAB1 ersätts av PRO1.
Övrig information
Betygskriterier meddelas vid kursstart.
I denna kurs tillämpas EECS hederskodex, se:
http://www.kth.se/eecs/utbildning/hederskodex