Om dette emnet

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

  • Grunnlag for kunstige nevrale nett (NN)
  • Deep convolutional neural networks (CNN)
  • Recurrent neural networks (RNN)
  • Autoencoders
  • Generative models (Variational Autoencoders, Introduction to Generative Adversarial Networks, and Transformers).

Kurset gir en innføring i metodenes grunnleggende teoretiske egenskaper, men har hovedfokus på anvendt modellering med reelle datasett. Studentene vil lære å lage effektive og treffsikre modeller som, avhengig av applikasjon, kan støtte opp om flere av FNs bærekraftsmål, blant andre 3, 11, 12, 14, 15.

Dette lærer du

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.

    INF201/200 eller et tilsvarende emne i videregående programmering.

  • Anbefalte forkunnskaper

    MATH123/280

  • Vurderingsordning, hjelpemiddel og eksamen

    Skriftlig eksamen, 3,5 timer. A-F.

    Skriftlig eksamen Karakterregel: Bokstavkarakterer Hjelpemiddel: A1 Ingen kalkulator, ingen andre hjelpemidler

  • Om bruk av KI

    K1 - Ingen bruk av KI

    AI-verktøyene er ikke tillatt brukt under kursoppgaven, obligatoriske innleveringer og under eksamen.

    Her finner du KI-kategoriene beskrevet.

  • Sensorordning

    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.

  • Obligatorisk aktivitet

    Obligatoriske innleveringsoppgaver. Regler for godkjenning av obligatorisk aktivitet kunngjøres ved kursstart.

  • Undervisningstider

    Forelesninger: 4 timer/uke. Øvinger: 2 timer/uke.