7 uger med forelæsninger og databarøvelser, samt 6 uger med mere omfattende øvelser i billedanalyse, anvendt statistik og multimedieanalyse. Aktiviteterne veksler mellem øvelser og forelæsninger.
At bibringe studenten et overblik over anvendelse af computerintensive dataanalyse begreber og metoder samt giver baggrund for valg af Informatikspecialisering.
Læringsmål:
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
Opsummere og anvende multipel lineær regressionsteknikker.
Anvende og fortolke ridge regressionsteknikker.
Opsummere og anvende bias-varians trade-off, prædiktionsfejl og krydsvalidering
Anvende og fortolke metoder til Bayesiansk inferens
Opsummere og anvende lineær diskriminantanalyse
Opsummere og anvende logistisk regression og support vector klassifikation for 2-klasse problemer
Opsummere og anvende naturlige kubiske splines og thin plate splines
Anvende og fortolke smoothing splines og metoder til automatisk valg af smoothing parameter
Identificere og beskrive metoder som MARS og PRIM.
Anvende og fortolke Generaliserede Additive Modeller (GAM) og Klassifikations- og regressionstræer (CART).
Opsummere og anvende k-means clustering og EM-algoritmen til Gaussianske mixtures
Anvende og fortolke principal komponentanalyse og ICA
Kursusindhold:
Metoder: Bayes optimale beslutninger, generalisationsbegrebet, likelihood begrebet, modelvalg, lineær klassifikationsmetoder, natural kubisk splines, smoothing splines, thin plate splines, additive modeller og beslutningstræer, klyngeanalyse, principal komponent analyse, ICA. Case studier: medicinsk billedanalyse, industriel computervision, miljømodeller, biostatistik, tonedetektion, mønstergenkendelse i multimedier.
Bemærkninger:
Dette kursus giver via en række praktiske eksempler den nødvendige baggrund for specialiseringer indenfor signal- og billedanalyse og anvendt statistik.
