Machine learning er en fundamental kompetence for AI ingeniører, fordi læring i fleksible statistiske modeller er den mest hensigtmæssige måde at skalere AI anvendelse til "human perfornance" f.eks. inden for billeder, lyd og tekst-data. Omhyggelig modellering af usikkerhed -både i data og modeller - er vigtigt både for den teoretiske forståelse og for praktisk succes. Med mere fleksible modeller som dybe neurale netværk, er dette yderligere forstærket. I dette kursus tages en Bayesiansk tilgang som giver mulighed for en samlet beskrivelse af usikkerhed i både data og modeller. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Diskutere fundamentale aspekter af statistisk machine learning: priors, likelihood funktionen, approksimativ inferens og evaluering
• Udføre og analysere approksimativ inferens baserest på sampling of variationelle metoder.
• Udføre test med henblik på centrale performance mål
• Diskutere usikkerhedskvantificering og kalibrering med Bayes metoder
• Designe systemer baseret på semi-parametriske og ikke-parametriske Bayesianske metoder
• Anvende deep learning modeller for Bayesiansk modellering i lyd, billeder og tekst-data
• Implementere Bayesiansk machine learning og evaluering i Python
• Give en verbal præsentationaf resultater opnået i hands-on øvelser

Indholdet i kurset kan variere lidt fra år til år, men vil typisk være:
Machine learning, Bayesiansk beslutningsteori, matematisk modellering af signaler, approksimativ inferens baseret på sampling og variationelle metoder, evaluaring og test med henblik på centrale performance mål, Bayesianske modeller og dyb læring i lyd, billeder og tekst data. Christopher M. Bishop: "Pattern Recognition and Machine Learning".
Springer (2006) ISBN 0-38-731073-8
Review artikler og noter Dette kursus er sammen med kursus 02460 og kursus 02456 videregående kurser inden for machine learning. Det tilhørende indledende kursus er 02450. 05. maj, 2020