TDDE01 · Linköpings universitet
Maskininlärning
Ny kurs
Inga tentor än
Ladda upp dina tidigare tentor och få hjälp med att strukturera ditt studiematerial
Få dina tentauppgifter kategoriseradeBli guidad genom ditt studiematerialFå hjälp direkt med teori och tipsHåll koll på dina framsteg
HP
Språk
Engelska
Nivå
Avancerad nivå
Fakultet
Institution
Lärandemål
- använda relevanta begrepp och metoder inom maskininlärning för att formulera, strukturera och lösa praktiska problem. göra inferens för parametrarna i ett antal vanligt förekommande maskininlärningsmodeller. använda maskininlärningsmodeller för prediktion och beslutsfattande. utvärdera och välja bland modeller. kunna implementera maskininlärningsmodeller och algoritmer i ett programmeringspråk.
Kursinnehåll
Introduktion och översikt av maskininlärningsområdet och dess tillämpningsområden. Unsupervised och supervised learning. Diskriminativa och generativa modeller. Prediktion. Generalisering. Klassificering. Nearest neighbors. Naïve Bayes. Diskriminantanalys. Korsvalidering. Modellval. Överanpassning. Bootstrap. Regression. Regularisering. Ridge regression. Lasso. Variabelselektion. Binär och multi-klass regression. Dimensionsreducering. PCA. ICA. Kernel smoothers. Support vector machines. Beslutsträd. Gaussiska processer. Mixture models.
Förutsättningar
- Sannolikhetslära, matematisk statistik, matematisk analys, linjär algebra och grundläggande programmering.
Litteratur
Pattern Recognition and Machine Learning - Bishop, C. M
The Elements of Statistical Learning: Data Mining, Inference and Prediction - Hastie, T., Tibshirani, R., och Friedman J.
Liknande kurser vid andra universitet
Gör som 15 000+ studenter och ta kontroll över ditt tentaplugg.
Kom igång gratis