DAT200 Anvendt maskinlæring
English course information
Søk etter andre emner
Velg annet år
Viser emneinfo for studieåret 2020 - 2021.
Emneansvarlige: Kristian Hovde Liland
Medvirkende: Oliver Tomic
Studiepoeng: 10
Ansvarlig fakultet: Fakultet for realfag og teknologi
Frekvens: Årlig
Undervises på språk: EN
(NO=norsk, EN=Engelsk)
(NO=norsk, EN=Engelsk)
Undervises i periode:
Emnet starter i vårparallellen.
Emnet har undervisning/vurdering i vårparallellen.
Første gang: Studieår 2017-2018
Undervises hvor?: Campus Ås
Emnets innhold:
Innføring i grunnleggende maskinlæringsmetodikk med moderne, beregningskraftige dataverktøy. Metodikken som dekkes omfatter:
- preprosessering og tilrettelegging av data: egenskapsuttrekking (PCA, LDA), variabelseleksjon/-viktighet, visualisering, skalering, formatering av datatyper
- klustring: blant andre K-means
- klassifikasjon: KNN, logistisk regresjon, LDA, SVM, decision trees
- regresjon: OLS, regularisering, polynomisk regresjon, trebaserte metoder, PCR, PLS
- strategier for modellvalidering og parameteroptimering
Kurset gir en innføring i metodenes grunnleggende teoretiske egenskaper, men har hovedfokus på anvendt modellering med reelle datasett.
Læringsutbytte:
Ferdigheter og innsikt i grunnleggende teknikker for maskinlæring. 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.
Læringsaktiviteter:
Undervisningen består av forelesninger og praktiske øvelser med bruk av datamaskin og moderne maskinlæringsprogramvare (med bistand fra øvingslærere).
Læringsstøtte:
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.
Pensum:
Pensumlitteratur, programvare, hjelpelitteratur, pensumoversikt m.m. oppgis på kursets hjemmeside.
Forutsatte forkunnskaper:
DAT110 (tidligere MATH-INF110), alternativt STAT100 eller tilsvarende.
MATH113/MATH131 eller tilsvarende grunnleggende lineær algebra
INF120 eller et tilsvarende emne i grunnleggende programmering (ferdigheter i Python forutsettes).
INF200 eller et tilsvarende emne i videregående programmering (versjonskontroll og god programmeringspraksis antas kjent)
Obligatorisk aktivitet:
Obligatoriske innleveringsoppgaver. Regler for godkjenning av obligatorisk aktivitet kunngjøres ved kursstart.
Vurderingsordning:
Skriftlig eksamen, 3,5 timer.
Sensor:
Ekstern sensor deltar sammen med intern sensor ved utformingen av eksamensoppgavene og sensorveiledningen. Ekstern sensor kontrollerer intern sensors vurdering av et tilfeldig utvalg kandidater som en kalibrering med visse mellomrom i henhold til fakultetets retningslinjer for sensur.
Normert arbeidsmengde:
Undervisning 78 timer, øvelser 26 timer, kollokvier og egenstudier mm: 196 timer.
Undervisningstid:
Forelesninger: 4 timer/uke. Øvinger: 2 timer/uke.
Hjelpemidler ved skriftlig eksamen(er): A1 Ingen kalkulator. Ingen andre hjelpem.
Eksamensdetaljer: Muntlig eksamen: A - E / Ikke bestått