Avancerad maskininlärning

Mål

Efter avslutad kurs ska den studerande på en avancerad nivå kunna:

• redovisa relevanta maskininlärningsprinciper som används inom Bayesiansk tradition av maskininlärning
• föreslå en lämplig probabilistisk modell som beskriver datastruktur och priorn
• jämföra mellan modellerna för att välja ut den bästa modellen
• implementera maskininlärningsmodellerna i ett programmeringsspråk och också använda vanliga maskininlärningspaket för att göra inferens i en modell, göra prediktioner som grundar på denna modell och skatta osäkerhet av dessa prediktioner

Innehåll

I kursen behandlas flera avancerade metoder inom maskininlärning som genomför modellering av komplexa fenomen och kan prediktera utfall av dessa fenomen.

I kursen ingår:

• introduktion till Bayesiask teori: Likelihood, apriori och aposteriori fördelning, marginal likelihood, posterior prediktiv fördelning
• genererande och diskriminerande modeller
• Gaussiska processer
• State-space modeller
• Kalman filtering och utjämning
• partikelmetoder
• Markov modeller och gömda Markov modeller
• grafiska modeller såsom Bayesianska nätverk och Markov slumpfält