DAT300 Anvendt maskinlæring II
Emnet kan ha endringer på grunn av koronautbruddet. Sjekk Canvas og studentWeb.
English course Information
Søk etter andre emner
Viser emnet slik det undervises i studieåret med start i 2018 .
Emneansvarlige: Oliver Tomic, Kristin Tøndel
Medvirkende: Kristian Hovde Liland, Ulf Geir Indahl
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 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 egenskapsuttrekning (feature selection) og egenskapsgenerering (feature engineering) for maskinlæring
- "State of the art" maskinlæringsalgoritmer
- Grunnlag for kunstige nevrale nett (NN)
- Deep convolutional neural networks (CNN)
- Recurrent neural networks (RNN)
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 generert via moderne datafangst. Grunnleggende forståelse av ulike modellers matematiske egenskaper og virkemåte. Studenten lærer seg å beherske analysemetoder som passer til 1) tekstanalyse, 2) maskinsyn og bildeklassifisering 3) generell maskinlæring.
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
Anbefalte forkunnskaper:
INF200
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