Om dette emnet

Utledning og anvendelser av avanserte matrisemetoder for mønstergjenkjenning, maskinlæring og dataanalyse: Temaene omfatter clustering, projeksjons- og matrisefaktoriseringsmetoder, variabelseleksjon og regularisering for regresjon- og klassifikasjonsproblemer. Vi gjennomgår også effektive beregninger for modellutvelgelse og -validering.

Dette lærer du

Studentene vil lære både det teoretiske grunnlaget for-, og hvordan implementere de ulike metodene for avansert analyse av forskningsdata.

  • Læringsaktiviteter

    Undervisningen blir gitt i form av forelesninger, praktiske øvinger og prosjektarbeid.

  • Pensum

    Oppgis ved semesterstart.

  • Forutsatte forkunnskaper

    Programmeringserfaring og MLA210 eller MATH280

  • Anbefalte forkunnskaper

  • Vurderingsordning, hjelpemiddel og eksamen

    Muntlig eksamen basert på pensum og det obligatoriske prosjektarbeidet.

  • Om bruk av KI

    Eksamen: K1 - Ingen bruk av KI.

    Oppgave: K2 - Spesifisert bruk av KI. Bruk av KI-teknologi som støtte til læringsprosessen i emnet anbefales. Bruk av KI må være i tråd med retningslinjene for bruk av kunstig intelligens (KI) ved NMBU.

    Her finner du KI-kategoriene beskrevet.

  • Sensorordning

    Sensor bedømmer eksamineringen inklusive spørsmål tilknyttet prosjektarbeidet.

  • Obligatorisk aktivitet

    Obligatoriske prosjektoppgaver underveis i semesteret. Regler for bedømming og godkjenning kunngjøres ved semesterstart.

  • Undervisningstider

    4 timer per uke inklusive øvinger.