Modeller for komplekse systemer (ModKomp)
Kursusindhold
Kurset giver en introduktion til sandsynlighedsmodeller, som kan beskrive komplekse afhængighedsstrukturer mellem observerbare variable. Den slags modeller betegnes ofte generative modeller idet de direkte beskriver en datagenererende mekanisme. Grafteoretiske metoder spiller en hovedrolle i kurset, hvor grafer naturligt beskriver afhængighedsstrukturer og ligeledes spiller en afgørende rolle for udviklingen af effektive algoritmer. Det teoretiske indhold vil blive illustreret med en række konkrete dataeksempler, og der indgår en praktisk anvendelse af teorien i det obligatoriske gruppeprojekt.
Følgende emner vil blive dækket i kurset:
- Bayesianske netværk
- Lineære gaussiske netværk
- Modeller med latente variable
- Skjulte markovmodeller
- Gaussiske processer
Models for Complex Systems (ModKomp)
Bacheloruddannelsen i Machine learning og datavidenskab
Viden om
- Grafiske repræsentationer af afhængighed og betinget uafhængighed
- Standard propageringsalgoritmer i netværk
- Standardeksempler på Bayesianske netværk
- Gaussiske modeller
Færdigheder
Den studerende skal ved kursets afslutning
- beherske den grafteoretiske terminologi
- beherske relationen mellem grafer og sandsynlighedsmodeller
- kunne afgøre betinget uafhængighed ved brug af d-seperation
- kunne implementere simulation af variable fra et bayesiansk netværk
- beherske beregninger for lineære gaussiske netværk via lineær algebra
- bekerske beregninger for diskrete netværk
- kunne implementere almindelige propageringsalgoritmer indenfor rammen af bayesianske netværk
- kunne implementere udvalgte læringsalgoritmer og anvende dem
Kompetencer
Den studerende skal ved kursets afslutning
- kunne afgøre korrektheden og relevansen af algoritmer såvel som teoretiske udregninger indenfor rammen af bayesianske netværk
- kunne vurdere hvorvidt et bayesiansk netværk korrekt repræsenterer en konkret problemstilling
- kunne vurdere og diskutere algoritmers fordele og ulemper for et konkret bayesiansk netværk, f.eks. i termer af beregningskompleksitet eller generalitet
- kunne løse en større opgave i samarbejde med andre, hvor der indgår såvel teoretiske som praktiske elementer
4 timers forelæsninger og 4 timers øvelser per uge i syv uger.
Se Absalon for kursuslitteratur.
Lineær algebra, statistik og sandsynlighedsregning samt matematisk analyse som minimum på niveau med de obligatoriske kurser i bacheloruddannelse "Machine learning og datavidenskab". Programmeringserfaring i f.eks. Python, Matlab, Julia eller R.
- ECTS
- 7,5 ECTS
- Prøveform
-
Løbende bedømmelseMundtlig prøve, 15 minDen løbende evaluering vil bestå af 3 individuelle quizzer af en times varighed, som afholdes i forbindelse med undervisningen.
Den mundtlige eksamen vil bestå af en præsentation af en på forhånd udvalgt del af grupperapporten og en efterfølgende diskussion. Den mundtlige eksamen er individuel og uden forberedelse.
I den samlede bedømmelse vægtes hver quiz med 1/6 og den mundtlige eksamen vægtes med 1/2.
Grupperapporten og/eller bedømmelsen af quizzerne kan genbruges i forbindelse med en reeksamen samme år eller ved deltagelse i den ordinære eksamen året efter. - Hjælpemidler
- Alle hjælpemidler tilladt
- Bedømmelsesform
- 7-trins skala
- Censurform
- Ekstern censur
Kriterier for bedømmelse
Se målbeskrivelsen.
Enkeltfag dagtimer (tompladsordning)
- Kategori
- Timer
- Forelæsninger
- 28
- Forberedelse (anslået)
- 86
- Teoretiske øvelser
- 28
- Projektarbejde
- 60
- Eksamen
- 4
- Total
- 206
Kursusinformation
- Undervisningssprog
- Dansk
- Kursusnummer
- NMAB20002U
- ECTS
- 7,5 ECTS
- Niveau
- Bachelor
- Varighed
-
1 blok
- Skemagruppe
-
B
- Kapacitet
- Ingen begrænsning
- Studienævn
- Studienævn for Matematik og Datalogi
Udbydende institut
- Institut for Matematiske Fag
Udbydende fakultet
- Det Natur- og Biovidenskabelige Fakultet
Kursusansvarlig
- Niels Richard Hansen (14-77726e757c377b37716a777c6e7749766a7d7137747e376d74)
Are you BA- or KA-student?
Courseinformation of students