Maskinlæring (ELE520)

Kurset starter med å gi en innføring i den grunnleggende teorien, Bayes desisjonsteori. Denne statistisk funderte teorien lar oss definere optimale desisjonsgrenser for å kunne skille dataelementene, representert ved såkalte egenskapsvektorer, fra hverandre. Disse desisjonsgrensene er optimale i forhold til at de minimerer den forventede feilraten eller mer generelt, forventet risiko. Den innledende teorien forutsetter at de statistiske funksjonene som beskriver dataene i de ulike klassene er kjent. I praksis vil dette som regel ikke være tilfelle, og derfor må disse funksjonene estimeres ved bruk av parametriske og ikke-parametriske metoder. Alternativt til å estimere de statistiske funksjonene direkte, kan en estimere koeffisientene i polynomer som beskriver desisjonsgrensene direkte. Dette introduseres med lineære diskriminantfunksjoner hvor en søker å bestemme de polynomkoeffisientene som minimerer feilraten uttrykt ved en kriteriefunksjon. Til denne minimeringen benyttes iterative nedstigningsteknikker. Videre presenteres nevrale nett som kan benyttes til å løse problemer der lineære diskriminantfunksjoner ikke strekker til. I teknikkene presentert så langt forutsetter en at dataenes klassetilhørighet er kjent. Ved bruk av klyngeinndeling antas ikke lenger noe om klassetilhørighet og en søker å finne naturlige grupperinger i datamaterialet. Til slutt presenteres metoder for å evaluere klassifiserere. Et annet viktig trekk ved klassifisering er hvordan datamaterialet karakteriseres ved egenskapsvektorer. Underveis i kurset vises illustrerende eksempler fra pågående forskningsprosjekter innen biomedisink dataanalyse.

Etter å ha tatt dette emnet skal studenten kunne kjenne igjen problemstillinger som kan håndteres ved bruk av mønstergjenkjenningsmetoder. Videre skal studenten kunne presisere og formulere problemstillingen ved bruk av fagterminologien som er tilegnet gjennom kurset. Løsning av problemet innebærer at studenten skal kunne implementere en klassifiserer ved å trene denne opp ved hjelp av et representativt datasett og gjøre denne i stand til å håndtere innkommende data. Studenten skal kunne håndtere ulike typer klassifiserere og kjenne teorien for disse slik at spesialtilpassede løsninger skal kunne utvikles.

Ingen

Grunnleggende programmering (BID230), Matematiske metoder 1 (ÅMA100), Sannsynlighetsregning med statistikk (ÅMA110), Matematiske metoder 2 (ÅMA260)

Øvingsoppgaver

Fagperson(er)

Emneansvarlig:

Trygve Christian Eftestøl

Instituttleder:

Tom Ryen

I gjennomsnitt 4,5 timer forelesning, 1,7 timer dataøvinger med bruk av Matlab og 0.8 timer teoretiske regneøvinger pr. uke. 70% av obligatoriske av hver type dataøvinger og regnepøvinger kreves bestått. Obligatoriske arbeidskrav (som innlevering, laboratorieoppgaver, prosjektoppgaver og lignende) skal være godkjent av faglærer innen 3 uker før eksamensdato. Undervisningsspråket er engelsk.

Form and/or discussion

Skjer vanligvis gjennom skjema og/eller samtaler i henhold til gjeldende retningslinjer

R.O. Duda, P.E. Hart, D.G. Stork: Pattern Classification (2nd. ed.).

Emnebeskrivelsen er hentet fra Felles studentsystem Versjon 1