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, latent variabel modellering 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 inkluderer: 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.

Kursusansvarlig:

Morten Mørup , Tlf. , mmor@dtu.dk