Detaljer om emnet DAT300

DAT300 Anvendt maskinlæring II

English course Information

Søk etter andre emner

Viser emnet slik det undervises i studieåret med start i 2019 .

Emneansvarlige: Oliver Tomic
Medvirkende: Kristian Hovde Liland
Studiepoeng: 10
Ansvarlig fakultet: Fakultet for realfag og teknologi
Frekvens: Årlig
Undervises på språk: EN
(NO=norsk, EN=Engelsk)
Undervises i periode:

Emnet starter i høstparallellen.

Emnet har undervisning/vurdering i høstparallellen.

Første gang: Studieår 2018-2019
Emnets innhold:

DAT300 bygger videre på temaer som ble diskutert i DAT200 - Anvendt maskinlæring.

  • Strategier for egenskapsgenerering (feature engineering) for maskinlæring
  • Grunnlag for kunstige nevrale nett (NN)
  • Deep convolutional neural networks (CNN)
  • Recurrent neural networks (RNN)
  • Prosessering og analyse av store datasett

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 og dyp læring. Grunnleggende forståelse av ulike modellers matematiske egenskaper og virkemåte. Studenten lærer seg å beherske analysemetoder som passer til 1) generell maskinlæring 2) sekvensanalyse, 3) bildeklassifisering .

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 / dyp læring 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:

DAT200 eller lignende.

INF200 eller et tilsvarende emne i videregående programmering.

Anbefalte forkunnskaper:
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: En skriftlig eksamen: A - E / Ikke bestått