02460 Avanceret machine learning (2024/2025)

02460 Avanceret machine learning

2024/2025

Kursusinformation

Engelsk titel	Advanced Machine Learning
Undervisningssprog	Engelsk
Point( ECTS )	5
Kursustype	Kandidat Kurset udbydes som enkeltfag Retningsspecifikt kursus (MSc), Business Analytics Retningsspecifikt kursus (MSc), Human-Centered Artificial Intelligence Retningsspecifikt kursus (MSc), Mathematical Modelling and Computation Teknologisk specialisering (MSc), Business Analytics Teknologisk specialisering (MSc), Human-Centered Artificial Intelligence Teknologisk specialisering (MSc), Mathematical Modelling and Computation

Skemaplacering	F1B (tors 13-17)
Undervisningens placering	Campus Lyngby
Undervisningsform	Forelæsninger med øvelser, samt perioder med projektarbejde.
Kursets varighed	13-uger
Eksamensplacering	F1B
Evalueringsform	Skriftlig eksamen og bedømmelse af rapport(er) Rapporter og eksamen vægtes ligeligt. Individuelle bidrag skal angives i rapporterne.
Eksamensvarighed	Skriftlig eksamen: 2 timer
Hjælpemidler	Skriftlige hjælpemidler er tilladt
Bedømmelsesform	7-trins skala , ekstern censur
Faglige forudsætninger	02450. 02456. 02476. 02477. 02405 , Dette er et avanceret kursus i machine learning. Det forventes at studerende har bestået størstedelen af de machine learning kurser som DTU udbyder. Som minimum bør studerende have bestået 02450: Introduction to Machine Learning and Data Mining samt 02456: Deep Learning. Det anbefales desuden at have bestået kurserne 02476: Machine learning operations, 02477: Bayesian machine learning, samt 02405 Probability Theory. Kurset kan følges parallelt med 02477.

Kursusansvarlig	Søren Hauberg , Tlf. (+45) 4525 3899 , sohau@dtu.dk
Medansvarlige	Lars Kai Hansen , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3889 , lkai@dtu.dk Jes Frellsen , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3923 , jefr@dtu.dk Mikkel N. Schmidt , Tlf. (+45) 4525 5270 , mnsc@dtu.dk Morten Mørup , Tlf. (+45) 4525 3900 , mmor@dtu.dk
Institut	01 Institut for Matematik og Computer Science
Tilmelding	I studieplanlæggeren
Mulighed for GRØN DYST deltagelse	Kontakt underviseren for information om hvorvidt dette kursus giver den studerende mulighed for at lave eller forberede et projekt som kan deltage i DTUs studenterkonference om bæredygtighed, klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk

Overordnede kursusmål

At sætte deltagerne i stand til at følge den nyeste udvikling indenfor generative modeller, inklusiv håndtering af identificerbarhed og ikke trivielle anvendelsesdomæner så som grafer.

Læringsmål

En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

forklare i detaljer hvordan dybe generative modeler virker.
operationalisere og implementere dybe generative modeler.
sammenligne og adskille de forskellige modelvalg bag forskellige dybe generative modeler.
afgøre hvilke aspekter af en statistisk model der kan identificeres.
operationalisere differentialgeometriske representationer i latent variabel modeler.
estimere identificerbare fordelinger fra observationel data givet i en lært repræsentation.
operationalisere og implementer grafneurale netværk
ræsonnere omkring fundamentet for grafneurale netværk.

Kursusindhold

Kurset består af 3 moduler der hver består af 2-3 ugers forelæsninger efterfulgt af 2 ugers projektarbejde indenfor et avanceret emne. Emnerne er dybe generative modeler, geometriske repræsentationer og grafneurale netværk. Fokus er på den bagvedliggende teori samt de matematiske modeller.

Litteraturhenvisninger

Deep Generative Modeling. Jakub M. Tomczak.

Differential geometry for generative modeling. Søren Hauberg.

Graph Representation Learning. William L. Hamilton.

Bemærkninger

Dette kursus er et videregående kurser indenfor machine learning og del af fokusområdet Machine Learning and Signal Processing under Master of Mathematical Modelling and Computing uddannelsen.

Sidst opdateret

02. maj, 2024