Neuronnät och lärande system

Mål

Målet är att studenten ska kunna konstruera och tillämpa artificiella neuronnät och liknande metoder för signal, bild och dataanalys som lär sig tidigare erfarenheter och observerat data. Studenten ska kunna tillämpa sådana metoder för att designa algoritmer och för att finna meningsfulla samband i multidimensionella signaler där komplexitetsgraden gör traditionella modellbaserade metoder olämpliga eller omöjliga att använda. Efter kursen ska studenten kunna:

• Redogöra för skillnaden mellan olika inlärningsparadigm
• Implementera och använda några av de vanligaste metoderna inom dessa paradigm
• Välja lämplig metod för ett givet problem.

Innehåll

Machine learning, classification, pattern recognition, kernel methods and high-dimensional data analysis. Supervised learning: neural networks, linear discriminants, support vector machines, ensemble learning, boosting, deep learning. Unsupervised learning: patterns in high-dimensional data, dimensionality reduction, clustering, principal component analysis. Reinforcement learning: TD-learning, Q-learning.