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.

  • Om bruk av KI

  • Undervisningstider

    • Forelesninger: 30 timer
    • Dataøving: 45 timer

  • Fortrinnsrett

    Master i datavitenskap

  • Opptakskrav

    Realfag