Sommerkursus Kurset foregår en uge i august. Se kursets hjemmeside for specifikke datoer.
Undervisningsform:
Forelæsninger, øvelser i Matlab, mini-projekt.
Kursets varighed:
[Kurset følger ikke DTUs normale skemastruktur]
Evalueringsform:
Hjælpemidler:
Bedømmelsesform:
Overordnede kursusmål:
At introducere deltagerne til nye trends i statistisk signalbehandling og machine learning.
Læringsmål:
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
Forstå og anvende avancerede metoder indenfor machine learning
Indsamle videnskabelig viden og data indenfor kursets emner
Formulere og gennemføre et mini-projekt relateret til et eller flere af kursusemnerne (helst indenfor den studerendes eget PhD projekt)
Designe og implementere komplekse machine learning systemer baseret på en analyse af problemstillinger og projektmål
Implementere machine learning systemet
Evaluere resultaterne af machine learning systemet
Vurdere og opsummere miniprojekt-resultater i relation til projektmål, metoder og tilgængelige data
Disseminere projektresultaterne i en teknisk rapport
Kursusindhold:
Kurset introducere nye trends og avancerede emner i machine learning. Kurset dækker centrale emner inden machine learning herunder Bayesians parametrisk og ikke-parametrisk inferens, optimering, lav-ranks approksimationer og kernel metoder. Kurset består af forelæsninger og øvelser og er efterfulgt af et mini-projekt der præsenteres i en teknisk rapport. Vi opfordrer studerende til at anvende de metoder, der undervises i på data, der er relevante for deres ph.d.-projekt. Aktuelle mulige emner er: Bayesianske metoder, latent variabel modellering, sparse repræsentationer og kernel metoder. Typiske applikationer omfatter: Bio-medicinsk, audio, multimedia, og topic modellering samt collaborative filtering og monitoreringssystemer.
