Dette kursus henvender sig til ingeniører, systemanalytikere, statistikere eller relaterede fagfolk, der ønsker at udføre avancerede dataanalyser i deres fremtidige forskning eller praksis. Modelbaseret maskinindlæring svarer til en klasse af algoritmer, kaldet Probabilistiske grafiske modeller (PGMs), der på en meget enkel måde tillader kombinationen af domæneviden med data drevne metoder.

Følgende forventes: grundlæggende statistik og sandsynlighed (f.eks. 42585 Business Analytics); kendskab til programmering (f.eks. Python, R, Matlab, Julia, C++, Java).

Selvom Maskine Læring har mange algoritmer (f.eks. neurale netværk, Gauss processer, Support Vector Machines, Decision Trees, osv.) som har den fordel at være "trykknap" løsninger, så er disse sjældent kompatible, når det ikke vedrører det originale design. Opgaven bliver at omdanne problem og data og få det tilpasset den enkelte algoritme. Ofte mistes relevant information (som f.eks. kendt forhold mellem 2 variabler, forskellig støj distribution i indgangsvariabler), hvilket kan have en skadelig indflydelse på resultaterne.

PGMs tillader at omfatte forudgående viden, parametrisk og non-parametriske (under)-modeller, samt usikkerheden om input og parametre. PGMs fungerer perfekt til at kombinere forskellige typer af data, og i løbet af de senere år, har et voksende fællesskab udviklet værktøjer til PGMs, der forenkler design og inferens proces. Sammen med Deep Learning, tilhører PGMs det nyeste indenfor Maskine Læring og datamining forskning, der er afgørende i bearbejdning af Big og Small data. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Forklare centrale begreber i modelbaseret Maskine Læring (MBML).
• Udpege trin i MBML modelleringsprocessen.
• Genkende anvendelsen af de forskellige probabilistiske grafiske modeller præsenteret på kurset.
• Udarbejde en ny model, ud fra en given problemformulering og data.
• Anvendelse af de forskellige tilgængelige PGM inferensmetoder i de indøvede værktøjer.
• Forstå praktiske datamodelleringsaspekter, såsom overfitting, systemer (f.eks. spatio-temporal) dynamik, og antagelser om data uafhængighed.
• Evaluere forskellige modellers kvalitet for en given problemstilling og data.
• Præsentere og være i stand til at argumentere for et projekt baseret på PGM

Dette kursus består af forelæsninger understøttet af slides og mini-video sekvenser, samt laboratorie arbejde udført med interaktive værktøjer (såsom iPython notebook). Studerende på dette kursus vil altid arbejde manuelt i hvert modul, efter den teoretiske del, for at tilegne sig nye koncepter.
Moduler:
- Gennemgang af grundprincipperne-stokastisk variable, sandsynlighedsfordelinger, Bayes
Theorem
- Introduktion til grafiske modeller - Bayesianske netværk, Markov netværk, faktor grafer
- Probabilistiske grafiske modeller - faktor grafer, Markov felter
- Probabilistiske grafiske modeller - som repræsenterer dit problemfelt
- Inferens - Clique Trees - videre formidling af besked
- Inferens - loopy tro formering
- Inferens - forventning/formering
- Inferens - Markov Chain Monte Carlo
- Udvælgelse af model
- Avancerede emner "Model Based Machine Learning", John Winn, Christopher Bishop, Thomas Diethe, http://www.mbmlbook.com
Uddrag fra (listen kan forlænges):
"Probabilistiske grafiske modeller", Daphne Koller og Nir Friedman
"Pattern Recognition and Machine Learning", Christopher Bishop 19. januar, 2018