Mathematical Principles of Pattern Recognition

Studiewijzer 2016/2017

Globale inhoud

Moderne methoden in pattern recognition en machine learning zijn gebaseerd op wiskundige concepten, met name uit de lineaire algebra en kansrekening. Dit vak behandelt deze concepten in detail, om zo diepgaand inzicht te kunnen krijgen in geavanceerde machine learning-methoden. De focus ligt hierbij op de wiskunde, maar deze wordt steeds geplaatst in de context van machine learning, waarbij lineaire regressie als rode draad gebruikt wordt. Daarnaast gaan we de wiskundige theorie concreet maken in programmeeropgaven. 

De stof voor dit vak is voornamelijk afkomstig uit de eerste hoofdstukken van het boek 'Pattern Recognition and Machine Learning' van C.M. Bishop.  Dit boek wordt ook gebruikt bij de mastervakken Machine Learning 1 & 2. Dit vak wordt daarom sterk aanbevolen voor studenten die deze mastervakken willen gaan volgen.

Studiemateriaal

Literatuur

• C.M. Bishop, ' Pattern Recognition and Machine Learning', 2006, Springer, ISBN 0-38-731073-8

Overig

• Aanvullend materiaal zal digitaal beschikbaar gemaakt worden

Leerdoelen

Aan het eind van het vak kan de student:

• uitleggen welke rol verschillende wiskundige concepten spelen in pattern recognition en machine learning;
• vector- en matrixnotatie gebruiken om machine learning-methoden te beschrijven;
• kansrekening en statistiek gebruiken om te begrijpen onder welke omstandigheden een algoritme betrouwbare resultaten oplevert;
• zelf nieuwe variaties op bestaande machine learning-algoritmen ontwikkelen en implementeren.

Onderwijsvormen

• Hoorcollege
• Werkcollege
• Laptopcollege

Tijdens de werkcolleges wordt er gewerkt aan (inlever)opgaven, en worden ingeleverde opgaven besproken. In het laptopcollege gebeurt hetzelfde voor de programmeeropdrachten.

Verdeling leeractiviteiten

Aanwezigheid

Aanwezigheidseisen opleiding (OER-B):

• Voor practica en werkgroepbijeenkomsten met opdrachten geldt een aanwezigheidsplicht, tenzij anders vermeld in de studiegids. Wanneer studenten niet voldoen aan deze aanwezigheidsplicht kan het onderdeel niet met een voldoende worden afgerond.
  

Aanvullende eisen voor dit vak:

Aanvullende eisen voor dit vak:

Aanwezigheid wordt geregistreerd.

Toetsing

Er is één hertentamen, dat de gehele stof beslaat en de cijfers van beide deeltoetsen vervangt. Om aan het hertentamen deel te nemen, moet je een voldoende voor de opdrachten staan.

Inzage toetsing

De manier van inzage wordt via de digitale leeromgeving gecommuniceerd.

Opdrachten

Theoretische opgaven

• Individueel (maar je mag de opgaven met elkaar bespreken); je krijgt wekelijks feedback en een cijfer

Programmeeropdrachten

• Gemaakt in tweetallen; je krijgt van iedere opdracht feedback en een cijfer

Onderstaande opdrachten komen aan bod in deze cursus:

•    Naam opdracht 1 : beschrijving 2
•    Naam opdracht 2 : beschrijving 1
•    ....

Fraude en plagiaat

Dit vak hanteert de algemene ‘Fraude- en plagiaatregeling’ van de UvA. Onder plagiaat of fraude wordt verstaan het overschrijven van het werk van een medestudent dan wel het kopiëren van wetenschappelijke bronnen (uit bijvoorbeeld boeken en tijdschriften en van het Internet) zonder daarbij de bron te vermelden. Uiteraard is plagiaat verboden. Hier wordt nauwkeurig op gecontroleerd en streng tegen opgetreden. Bij verdenking van plagiaat wordt de examencommissie van de opleiding ingeschakeld. Wanneer de examencommissie overtuigd is dat er plagiaat gepleegd is dan kan dit maximaal leiden tot een uitsluiting van al het onderwijs van de opleiding voor een heel kalenderjaar. Zie voor meer informatie over het fraude- en plagiaatreglement van de Universiteit van Amsterdam.www.uva.nl/plagiaat

Weekplanning

Aanvullende informatie

Aanbevolen voorkennis: het vak Leren (2e jaar); basiskennis van lineaire algebra en statistiek; programmeervaardigheden (in Python/numpy).

Contactinformatie

Coördinator

• dr. Thijs van Ommen