KURSPLAN DMI 2006

F1: Introduktion Läs: Kapitel 1

F2: Repetition och introduktion av toolboxen Läs: Appendix A,B,C samt 2.5.1, 2.5.2, 2.5.3, 2.5.4

F3: Modellbaserad klassificering Läs: Kapitel 2 (ej 2.5.5, 2.5.6, 2.6)

1) Bayesiansk beslutsteori

2) Diskriminatfunktioner och beslutsgränser

3) Tillämpningar: flervariabel normalfördeling, naiv Bayes

R1: Modellbaserad klassning

F4: Linjär klassificering Läs: Kaptiel 3 (ej 3.3)

1) Adaline och LMS

2) Logistisk regression

3) Support Vector Machines

F5: Olinjär klassificering Läs: 2.6+ Kapitel 4 (ej 4.19, 4.20)

1) kNN

2) ANN: Flerlagerperceptronen

3) Generaliserade linjära klassificerare: Projection pursuit, polynomial, RBF

4) Support Vector Machines

5) Decision Trees

R2: Linjär och olinjär klassificering

INLUPP 1: Introduktion till toolboxen, klassificering

F6: Särdragsselektion Läs: Kapitel 5 (ej 5.4, 5.7, 5.8, 5.9, 5.10)

1) Alternativ till särdragsselektion: complexity control

2) Särdrag baserat på hypotestestning

3) Separationsmått

4) Selektionsalgoritmer

5) Filters och Wrappers

F7: Särdragsgenerering Läs: 5.7+ Kapitel 6 (ej 6.8-6.15)

1) Fisher

2) PCA+SVD

3) Orienering: ICA, Tidsserier, bilder

F8: Systemutvärdering Läs: Kapitel 10

1) Prestandamått: risk, ROC

2) Holdout

3) CV och Resampling

5) Permutationer

6) Bias och yttre validering

7) Konfidensintervall med holdout

R3: Särdragselektion, särdragsgenerering, systemutvärdering

F9: Okänd klasstillhörighet Läs: 12.1, 12.2, 12.3, 13.1, 13.2.1-13.2.4, 14.1, 14.5.1

1) Sekventiell klustring och ART

2) Hierarkisk klustring

3) Optimerad klustring: Isodata/KMC

INLUPP 2: Visualisering, klassificering, utvärdering och klustring

F10: Klassning av sekvenser I (kNN) Läs: 8.1, 8.2, kapitel 9 (ej 9.9)

1) Skillnad mellan en vektor och sekvens

2) Transformering av sekvens till vektor

3) Likhet baserad på dynamisk programmering

4) Smith-Waterman, Needleman-Wunch, FASTA, BLAST p. 721

5) Orientergin: Modellbaserad klassning baserat på HMM

F12: Linjär multivariat regression Läs: 3.4.3, 3.5.2

1) OLS

2) Complexity control: RR, PCR, PLS

3) Prestandakriterier

R4: Sekvenser och regression

INLUPP 3: Klassning av bilder och ljud

R5: tentamensproblem

F12: Sammanfattning