Innføring i grunnleggende maskinlæringsmetodikk med moderne, beregningskraftige dataverktøy. Metodikken som dekkes omfatter:

• preprosessering og tilrettelegging av data: visualisering, outlier detection, skalering, formatering av datatyper
• klustring: K-means, DB-scan, hierarchical trees, PCA
• klassifikasjon: KNN, logistisk regresjon, LDA, SVM, decision trees
• regresjon: OLS, regularisering, polynomisk regresjon, trebaserte metoder, PCR, PLS
• ulike kriterier for modellutvelgelse

Kurset gir en innføring i metodenes grunnleggende teoretiske egenskaper, men har hovedfokus på anvendt modellering med reelle datasett.

Ferdigheter og innsikt i grunnleggende teknikker for maskinlæring generert via moderne datafangst. Grunnleggende forståelse av ulike modellers matematiske egenskaper og virkemåte. Studenten lærer seg å beherske analysemetoder som passer til 1) Eksplorativ dataanalyse (diagnose og visualisering), 2) Forbehandling av data fra varierende kilder, 3) Modellering og prediksjon med kontinuerlige og kategoriske responser (regresjon og klassifikasjon) og validering av prediktive modeller.

Studentene lærer å koble ulike problemstillinger til valg av hensiktsmessig analysemetodikk.

Maskinlæring er et fagområde i konstant utvikling, og læringsstøtteressurser på internett vil knyttes opp mot forelesninger og oppgaver via kurshjemmesidene i Canvas.

Studentene kan utover dette avtale kontakt med ansvarlig lærer på kontoret i treffetiden eller via epost.

MATH-INF110, alternativt STAT100 eller tilsvarende.

MATH113/MATH131 eller tilsvarende grunnleggende lineær algebra

INF120 eller et tilsvarende emne i grunnleggende programmering.