Kursplan för Bayesiansk inferens och maskininlärning

Kursplan fastställd 2023-02-07 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnBayesian inference and machine learning
  • KurskodTIF385
  • Omfattning6 Högskolepoäng
  • ÄgareTKTFY
  • UtbildningsnivåGrundnivå
  • HuvudområdeTeknisk fysik
  • InstitutionFYSIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Svenska
  • Anmälningskod 57134
  • Sökbar för utbytesstudenterNej
  • Endast studenter med kurstillfället i programplan.

Poängfördelning

0122 Projekt 2 hp
Betygsskala: UG		0 hp2 hp0 hp0 hp0 hp0 hp
0222 Tentamen 4 hp
Betygsskala: TH		0 hp4 hp0 hp0 hp0 hp0 hp
  • 12 Jan 2024 fm J
  • 03 Apr 2024 fm J
  • 21 Aug 2024 fm J

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Grundläggande behörighet för grundnivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Samma behörighet som det kursägande programmet.
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

- Grundläggande kunskaper i matematik på kandidatnivå: Flervariabelanalys (MVE035 eller motsvarande), Linjär algebra (MVE670 eller motsvarande), Matematisk statistik (TMA321 eller motsvarande) - Grundläggande programmeringsteknik (SEE125 eller motsvarande). Programmeringsspråket Python kommer att användas i kursen.

Syfte

Genom att bygga på fundament från en första grundkurs i matematisk statistik syftar kursen till att ge kunskaper om Bayesiansk inferens, både generellt och i sammanhang som involverar modellering av fysikaliska system, samt en djupare förståelse för modern maskininlärning. Tillsammans skall dessa kunskaper ge en stabil grund för praktisk tillämpning av statistiska modeller.

Kursen är delvis projektbaserad och ett delsyfte är att utveckla och strukturera datorprogram för att utföra statistisk inferens och maskininlärning med vetenskapliga tillämpningar. Mer specifikt kommer fysikrelevanta projektuppgifter att utföras med programmeringsspråket Python i kombination med användbara, och fritt tillgängliga, programbibliotek.

Lärandemål (efter fullgjord kurs ska studenten kunna)

  • utföra vetenskaplig modellering av fysikaliska system genom att tillämpa det Bayesianska paradigmet för inferens från data.
  • redogöra för grundläggande koncept inom Bayesiansk statistik.
  • förklara centrala aspekter hos Monte Carlo-metoder och Markovkedjor, samt tillämpa dessa för att numeriskt sampla multivariata sannolikhetsfördelningar.
  • förstå och numeriskt implementera flera grundläggande algoritmer som används inom dataanalys och maskininlärning, som linjära regressions- och klassificeringsmetoder samt enkla neurala nätverk.
  • använda python för praktisk tillämpning av statistiska inferensmetoder och maskininlärning för vetenskapling dataanalys, samt för att visualisera resultat.
  • tillämpa ett vetenskapligt och etiskt arbetssätt i processen att samla in, utvärdera och analysera data samt skriva datorprogram, med ett särskilt beaktande av jämställdhet, likabehandling och mångfald.
  • kunna redovisa resultat och slutsatser från en vetenskaplig dataanalys klart och tydligt samt med ett kritiskt förhållningssätt. 

Innehåll

Kursen består av tre integrerade delar:
  1. Bayesiansk inferens
  2. Maskininlärning
  3. Stokastiska processer och MCMC simulering
Följande ämnen kommer att behandlas:
  • Bayesiansk statistik;
  • Centrala koncept inom maskininlärning;
  • Linjära regressions- och klassificeringsmetoder;
  • Neurala nätverk;
  • Stokastiska processer, Markovkedjor och Markov chain Monte Carlo (MCMC) simulering;

Organisation

  • Föreläsningar.
  • Övningstillfällen (bland annat i datorsal)
  • Rekommenderade analytiska och numeriska uppgifter
  • Numeriska laborationer/projekt

Litteratur

Kompendium. Föreläsningsanteckningar.
Extra kurslitteratur publiceras på kurshemsidan.

Examination inklusive obligatoriska moment

Skriftlig tentamen
Numeriska projekt

Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.