Hoppa till huvudinnehållet
Till KTH:s startsida

DD2447 Statistiska metoder i datalogin 6,0 hp

Administrera Om kursen

Kursen behandlar de statistiska metoder som används i moderna datatekniska tillämpningar.

Information per kursomgång

Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.

Termin

Information för HT 2025 statmet25 programstuderande

Studielokalisering

KTH Campus

Varaktighet
2025-10-27 - 2026-01-12
Perioder
P2 (6,0 hp)
Studietakt

33%

Anmälningskod

52038

Undervisningsform

Normal Dagtid

Undervisningsspråk

Engelska

Kurs-PM
Kurs-PM är inte publicerat
Antal platser

Ingen platsbegränsning

Målgrupp

Sökbar för alla studenter på civilingenjörsprogram 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

Kontakt

Examinator
Ingen information tillagd
Kursansvarig
Ingen information tillagd
Lärare
Ingen information tillagd
Kontaktperson

Jens Lagergren, e-post: jensl@kth.se

Kursplan som PDF

Notera: all information från kursplanen visas i tillgängligt format på denna sida.

Kursplan DD2447 (HT 2022–)
Rubriker med innehåll från kursplan DD2447 (HT 2022–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursinnehåll

  • Generativa modeller.
  • Bayesiansk inferens.
  • Probabilistisk programmering.
  • Grafiska modeller.
  • Dolda Markovmodeller med kontinuerliga tillstånd.
  • Partikelfilter.
  • Monte Carlo-uppskattning.
  • Sekventiell Monte Carlo.
  • Markov Chain Monte Carlo.
  • Klustring.
  • Dirichlet-processen.

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 samplingsbaserade 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 samplingsbaserade inferensmetoder.

Kurslitteratur och förberedelser

Särskild behörighet

Kunskaper i linjär algebra, 7,5 hp, motsvarande slutförd kurs SF1624/SF1672.

Kunskaper i envariabelanalys, 7,5 hp, motsvarande slutförd kurs SF1625/SF1673.

Kunskaper i sannolikhetsteori och statistik, 6 hp, motsvarande slutförd kurs SF1900/SF1910-SF1935.

Kunskaper och färdigheter i programmering, 6 hp, motsvarande slutförd kurs DD1337/DD1310/DD1311/DD1312/DD1314/DD1315/DD1316/DD1317/DD1318/DD1321/DD1331/ DD100N/ID1018/BB1000.

Kunskaper i algoritmer och datastrukturer, 6 hp, motsvarande slutförd kurs DD1338/DD1320/DD1321/DD1325/DD1326/DD1327/DD2325/ID1020/ID1021.

Aktivt deltagande i kursomgång 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

Grundläggande kurser i programmering, datalogi, matematik och statistik motsvarande obligatoriska kurser på D- eller F-programmen.
Matlab eller motsvarande (Octave, R).

Utrustning

Ingen information tillagd

Kurslitteratur

Ingen information tillagd

Examination och slutförande

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

Betygsskala

A, B, C, D, E, FX, F

Examination

  • INL1 - Inlämningsuppgift, 6,0 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.

Övriga krav för slutbetyg

Inlämningsuppgifter samt ett projekt (INL1; 6 hp).

Möjlighet till komplettering

Ingen information tillagd

Möjlighet till plussning

Ingen information tillagd

Examinator

Profile picture Jens Lagergren

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

EECS/Intelligenta system

Huvudområde

Datalogi och datateknik

Utbildningsnivå

Avancerad nivå

Påbyggnad

Diskutera med kursledaren.

Kontaktperson

Jens Lagergren, e-post: jensl@kth.se

Övrig information

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

Denna kurs överlappar med DD2420 Probabilistiska grafiska modeller.