DAT221 Grunnleggende prinsipper for datavitenskap

Studiepoeng:5

Ansvarlig fakultet:Fakultet for realfag og teknologi

Emneansvarlig:Alexander Johannes Stasik

Campus / nettbasert:Undervises campus Ås

Undervisningens språk:Engelsk

Frekvens:Årlig

Forventet arbeidsmengde:125 timer: Forelesninger 13x2 timer = 26 timer, øvinger med veiledning 13x4 timer = 52 timer, egenarbeid 47 timer

Undervisnings- og vurderingsperiode:Emnet starter i augustblokken. Emnet har undervisning og vurdering i augustblokken.

Om dette emnet

Kurset dekker:

- Oppsummering av lineær algebra og analyse

- Matrisedekomponeringer (egennedbrytning, SVD, Cholesky, tilnærminger med lav rang, etc.)

- Vektorkalkulus (gradienter av vektorverdi-funksjoner, tilbakepropagasjon og automatisk differensiering, Taylor-serier, etc.)

- Sannsynlighet og fordelinger (sannsynlighetsrom, Bayes teorem, Gauss-fordelinger, endring av variabler, eksponentiell familie)

-Kontinuerlig optimalisering (gradientnedstigning, begrenset optimalisering, konveks optimalisering)

Dette lærer du

Dette kurset gir en oversikt over matematiske metoder og verktøy som er relevante for datavitenskapelige applikasjoner og utstyrer studentene med nødvendig bakgrunn for avanserte kurs i maskinlæring og statistikk.

Læringsaktiviteter
Daglige forelesninger og utfyllende øvelser.
Læringsstøtte
Veiledede øvelser.
Pensum
Deisenroth, Marc Peter, A. Aldo Faisal, and Cheng Soon Ong. Mathematics for machine learning. Cambridge University Press, 2020.
Forutsatte forkunnskaper
None
Anbefalte forkunnskaper
Lineær algebra og analysekunnskap, MATH121, MATH122 og MATH123 eller tilsvarende
Vurderingsordning, hjelpemiddel og eksamen
Mappevurdering. Aktiv deltakelse og tilstrekkelig innleveringsøvelser hver uke. Tilstedeværelse under forelesninger og øvinger på minst 10 av 14 dager. Bestått/ikke bestått.
Undervisningstider
- Forelesninger: 30 timer
- Dataøving: 45 timer
Fortrinnsrett
Master i datavitenskap
Opptakskrav
Realfag