02477 Bayesiansk machine learning

2021/2022

Kursusinformation
Bayesian machine learning
Engelsk
5
Kandidat
F2A (man 13-17)
Campus Lyngby
Forelæsninger og Python hands-on øvelser.
13-uger
F2A, Aftales med underviser
Mundtlig eksamen
ca 40 min inklusive forberedelse
Alle hjælpemidler er tilladt
7-trins skala , ekstern censur
04364 og 02457
02450 , Lineær algebra, indledende statistik og sandsynlighedsregning. Introduktion til machine learning
Maksimum: 70
Michael Riis Andersen , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3409 , miri@dtu.dk
Lars Kai Hansen , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3889 , lkai@dtu.dk
Mikkel Nørgaard Schmidt , Tlf. (+45) 4525 5270 , mnsc@dtu.dk
Ole Winther , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3895 , olwi@dtu.dk
Morten Mørup , Tlf. (+45) 4525 3900 , mmor@dtu.dk
Jes Frellsen , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3923 , jefr@dtu.dk
Søren Hauberg , Tlf. (+45) 4525 3899 , sohau@dtu.dk
01 Institut for Matematik og Computer Science
I studieplanlæggeren

Dette er et nyt kursus, så påregn at der udvikles på kurset i foråret 2021
Overordnede kursusmål
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.
Læringsmål
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
Kursusindhold
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.
Litteraturhenvisninger
Christopher M. Bishop: "Pattern Recognition and Machine Learning".
Springer (2006) ISBN 0-38-731073-8
Review artikler og noter
Bemærkninger
Dette kursus er sammen med kursus 02460 og kursus 02456 videregående kurser inden for machine learning. Det tilhørende indledende kursus er 02450.
Sidst opdateret
21. januar, 2022