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.
Formålet med kurset er todelt. Først og fremmest er målet med
kurset at give de studerende en dybere teoretisk forståelse af
probabilisk maskinlæring samt at klæde dem på til at læse og forstå
den nyeste litteratur indenfor feltet. Derudover er målet at de
studerende skal kunne diskutere modeller for konkrete problemer
samt diskutere og anvende passende inferensalgoritmer.
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
- Diskutere fordelinger og antagelser i sandsynlighedsteoretiske
modeller
- 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
- Diskutere 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
1) Kevin Murphy: "Probabilistic Machine Learning: Advanced
Topics"
MIT Press, 2023
https://probml.github.io/pml-book/book2.html
2) Christopher M. Bishop: "Pattern Recognition and Machine
Learning".
Springer (2006) ISBN 0-38-731073-8
https://www.microsoft.com/en-us/research/people/cmbishop/prml-book/
3) 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
02. maj, 2022
