- 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 2026 mladv26 programstuderande
- Studielokalisering
KTH Campus
- Varaktighet
- 2026-10-26 - 2027-01-11
- Perioder
HT 2026: P2 (7.5 hp)
- Studietakt
50%
- Anmälningskod
11585
- Undervisningsform
Normal Dagtid
- Undervisningsspråk
Engelska
- Kurs-PM
- Kurs-PM är inte publicerat
- Antal platser
Min: 1
- 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
- Schema är inte publicerat
- Del av program
Masterprogram, ICT Innovation, åk 1, DASE, Rekommenderad
Masterprogram, information och nätverksteknologi, åk 2, INF, Rekommenderad
Masterprogram, systemteknik och robotik, åk 2, RASM, Villkorligt valfri
Masterprogram, datalogi, åk 2, CSDA, Villkorligt valfri
Masterprogram, systemteknik och robotik, åk 1, RASM, Villkorligt valfri
Masterprogram, tillämpad matematik och beräkningsmatematik, åk 2, CSSE, Villkorligt valfri
Masterprogram, innovativ energiteknik, åk 1, ESAI, Villkorligt valfri
Civilingenjör och lärare, åk 5, TEDA, Villkorligt valfri
Masterprogram, ICT Innovation, åk 1, DASC, Rekommenderad
Masterprogram, systemteknik och robotik, åk 1, LDCS, Villkorligt valfri
Masterprogram, systemteknik och robotik, åk 2, LDCS, Villkorligt valfri
Masterprogram, industriell ekonomi, åk 1, MAIG, Villkorligt valfri
Masterprogram, ICT Innovation, åk 2, DASE, Rekommenderad
Masterprogram, datalogi, åk 2, CSCS, Rekommenderad
Masterprogram, ICT Innovation, åk 2, DASC, Rekommenderad
Masterprogram, tillämpad matematik och beräkningsmatematik, åk 1, Valfri
Masterprogram, cybersäkerhet, åk 1, Rekommenderad
Masterprogram, tillämpad matematik och beräkningsmatematik, åk 2, Valfri
Masterprogram, cybersäkerhet, åk 2, Rekommenderad
Masterprogram, biostatistik och datavetenskap, åk 2, Villkorligt valfri
Masterprogram, information och nätverksteknologi, åk 2, Rekommenderad
Kontakt
Kursplan som PDF
Notera: all information från kursplanen visas i tillgängligt format på denna sida.
Kursplan DD2434 (HT 2026–)Rubriker med innehåll från kursplan DD2434 (HT 2026–) är markerade med en asterisk ( )
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/DD1333/DD100N/ID1018/ID1022.
Kunskaper i linjär algebra, 7,5 hp, motsvarande slutförd kurs SF1624/SF1672/SF1684.
Kunskaper i flervariabelanalys, 7,5 hp, motsvarande slutförd kurs SF1626/SF1674/SF1686.
Kunskaper i sannolikhetslära och statistik, 6 hp, motsvarande slutförd kurs SF1910-SF1925/SF1935 eller slutfört provmoment TEN1 inom SF1910/SF1925/SF1935.
Dessutom minst en av följande:
antingen
- kunskaper i grundläggande maskininlärning, 7,5 hp, motsvarande slutförd kurs DD1420/DD2421/EL2810/EQ2341
eller båda nedanstående:
- 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 algoritmer, datastrukturer och grundläggande programutvecklingsteknik, 6 hp, motsvarande slutförd kurs DD1338/DD1320-DD1328/DD2325/ID1020/ID1021 eller slutförda provmoment KONT och LABD i DD1326.
Aktivt deltagande i DD1420/DD2421/SF2940 under läsperiod 1 samma läsår jämställs med slutförd kurs. Den som är registrerad förväntas och anses vara aktivt deltagande.
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.
Kurslitteratur
Du hittar information om kurslitteratur antingen i kursomgångens kurs-PM eller i kursomgångens kursrum i Canvas.
Examination och slutförande
Betygsskala
A, B, C, D, E, FX, F
Examination
- TENH - Skriftlig tentamen, 0,0 hp, betygsskala: A, B, C, D, E, FX, F
- LABA - Laborationsuppgifter, 7,5 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.
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Godkänt provmoment LABA ger betyg E på kursen. TENH är en valfri tentamen som endast krävs för högre betyg än E.
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
Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.
Ges av
Huvudområde
Datalogi och datateknik
Utbildningsnivå
Avancerad nivå
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