Hoppa till huvudinnehållet
Till KTH:s startsida

FEP3302 Majorisera-Minimerings (MM) optimering med tillämpningar inom maskininlärning 7,0 hp

Introducera teorin om MM-principen med tonvikt på relaterade optimeringsalgoritmer och deras tillämpningar för maskininlärning.

Information per kursomgång

Kursomgångar saknas för aktuella eller kommande terminer.

Kursplan som PDF

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

Kursplan FEP3302 (VT 2022–)
Rubriker med innehåll från kursplan FEP3302 (VT 2022–) är markerade med en asterisk ( )

Innehåll och lärandemål

Kursupplägg

Introduktion (Föreläsning 1)

o MM-principen

o En geometrisk tolkning

o Konvexitet för majorisering

o Exempel

Viktiga ojämlikheter för MM (föreläsning 2 och 3)

o Tillämpningar av Jensens ojämlikhet

o Tillämpningar av Cauchy-Schwarz-olikheten

o Tillämpningar för att stödja hyperplanolikhet

o Tillämpning av kvadratiska övre gränser

o Tillämpning av aritmetisk-geometrisk medelolikhet

Majorisering och partiell optimering (Föreläsning 4)

o Huvudprincip

o Exempel

Tillämpning inom teknik (Föreläsning 5 och 6)

o EM-algoritmen

o Regression

o Uppskattning med saknad data

o Total variationsnedsättning av bilder

o Faktoranalys

o Matriskomplettering

Kursinnehåll

 Introduktion (Föreläsning 1)

o MM-principen

o En geometrisk tolkning

o Konvexitet för majorisering

o Exempel

Viktiga ojämlikheter för MM (föreläsning 2 och 3)

o Tillämpningar av Jensens olikhet

o Tillämpningar av Cauchy-Schwarz-olikheten

o Tillämpningar för att stödja hyperplanolikhet

o Tillämpning av kvadratiska övre gränser

o Tillämpning av aritmetisk-geometrisk medelolikhet

Majorisering och partiell optimering (Föreläsning 4)

o Huvudprincip

o Exempel

Tillämpning inom teknik (Föreläsning 5 och 6)

o EM-algoritmen

o Regression

o Uppskattning med saknad data

o Total variationsnedsättning av bilder

o Faktoranalys

o Matriskomplettering

Lärandemål

LO1: Redogöra för MM-princip-konceptet.

LO2: Integrera tekniker för majorisering och minorisering i designen av MM-optimeringsalgoritmer.

LO3: Implementera MM-optimeringsalgoritmerna numeriskt i olika applikationer.

Kurslitteratur och förberedelser

Särskild behörighet

 Flervariabelsanalys, sannolikhetslära

Rekommenderade förkunskaper

Flervariabelsanalys, sannolikhetslära

Kurslitteratur

Du hittar information om kurslitteratur antingen i kursomgångens kurs-PM eller i kursomgångens kursrum i Canvas.

Examination och slutförande

Betygsskala

P, F

Examination

  • EXA1 - Examination, 7,0 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.

En hemtentamen (4-5 problem) och/eller gruppresentationer av en enkel implementering

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

Utbildningsnivå

Forskarnivå

Forskarkurs

Forskarkurser på EECS/Nätverk och systemteknik