Kursplan för Bayesiansk inferens och maskininlärning

Kursplan fastställd 2024-01-31 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 57114
  • Sökbar för utbytesstudenterNej
  • Endast studenter med kurstillfället i programplan.

Poängfördelning

0122 Projekt 2 hp
Betygsskala: UG		 2 hp
0222 Tentamen 4 hp
Betygsskala: TH		 4 hp
  • 17 Jan 2025 fm J
  • 14 Apr 2025 fm J
  • 20 Aug 2025 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 matematisk analys och en första grundkurs i matematisk statistik syftar kursen till att ge både teoretiska och praktiska kunskaper om Bayesiansk inferens samt modern maskininlärning. Tillsammans skall dessa kunskaper ge en stabil grund för modellering av fysikaliska system samt mer generellt för tillämpningar som involverar statistiska modeller.

Kursen är delvis projektbaserad och ett delsyfte är att lära studenterna att utveckla och strukturera mindre 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)

  • 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 vetenskaplig dataanalys, samt för att visualisera resultat.
  • redogöra för grundläggande koncept inom Bayesiansk statistik.
  • utföra linjär modellering av fysikaliska system genom att tillämpa det Bayesianska paradigmet för inferens från data.
  • förklara centrala aspekter hos stokastiska processer och markovkedjor, samt tillämpa dessa för att genomföra MCMC sampling av multivariata sannolikhetsfördelningar.
  • 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.
  • tydligt redovisa resultat och slutsatser från en vetenskaplig dataanalys med ett kritiskt förhållningssätt. 

Innehåll

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