Aan het einde van de cursus - is de student in staat een probabilistisch model voor regressie, classificatie en dichtheid schatting te formuleren
- begrijpt de student het principe van maximum likelihood schatting, alsook de volledige Bayesiaanse benadering
- is de student in staat algoritmes af te leiden op basis van deze principes voor een brede klasse van modellen zoals het lineair-Gaussische model, lineaire modellen voor regressie, logistische regressie en Gaussian mixtures (het EM-algoritme)
- is de student in staat wiskundig beschreven methoden uit de moderne statistische machine learning te begrijpen en uit te voeren
|
|
Machine learning betreft de methoden voor het nemen van beslissingen op basis van data. In statistische machine learning maken deze methoden gebruik van probabilistische modellen en methoden uit de statististiek, zoals bijvoorbeeld de maximum likelihood schatting en Bayesiaans leren. Deze methoden hebben een breed scala van toepassingen, zoals visuele object herkenning, analyse van de genetische data, financiële data, neuroscience data enz.
In deze cursus bieden we een principiële behandeling van de basis-modellen en methoden uit de statistische machine learning. Dit vereist een zekere wiskundige diepgang, maar we zullen ruim de tijd nemen om de nodige wiskundige kennis en vaardigheden met behulp van oefeningen, (computer) opdrachten, en eventueel student-projecten over meer geavanceerde, state-of-the-art machine learning methoden (zoals Gaussische processen, support vector machines, grafische modellen, Markov Chain Monte Carlo.) |
|