Detaljer om emnet DAT300

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)
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