Fakta om emnet

Studiepoeng:
7.5
Ansvarlig avdeling:
Avdeling for logistikk
Undervisningssemester:
Høst
Undervisningsspråk:
Norsk
Varighet:
½ år

IBE400 Maskinlæring (Høst 2021)

Om emnet

Emnet gjennomgår de viktigste teoriene og teknikkene for maskinlæring som systematisk metode for å analysere store datamengder. Det gir en introduksjon til maskinlæring som er datasystemer som kan lære av egne erfaringer og løse komplekse problemstillinger i ulike situasjoner. Kurset viser hvordan økningen i prosesseringskraft, lagringskapasitet og tilgang på store datamengder (stordata) bidrar til nye anvendelser av maskinlæring, og det gir en innføring i metodene maskinlæring bruker for å analysere stordata, finner mønstre og sammenhenger og lære av disse uten menneskelig innblanding. I øvelsene anvendes maskinlæring basert på reelle datasett fra en modell-bedrift, i kombinasjon med velkjente systemer som brukes i arbeidslivet til slike formål.

Emnet er tilknyttet følgende studieprogram

Anbefalte forkunnskaper

Studentene må ha grunnleggende forkunnskaper i programmering (IBE151) og matematikk (MAT100).

Studentens læringsutbytte etter bestått emne

Studentene har etter bestått eksamen oversikt og brukererfaring med beslutningstrær, regresjonsanalyse, ulik bruk av klassifiseringer og klynger, unntaksidentifisering nevrale nettverk og biologisk-inspirert optimering. De skal også kjenne til utfordringene med bruken av slike teknikker i praksis, og kost-nytte betenkninger med maskinlæring sammenlignet med andre tilnærminger til å løse de samme problemene, deriblant avanserte numeriske tilnærminger.

Studenten skal etter fullført emne kunne:

  • • beskrive maskinlæringstypene regresjon, klassifisering og rangering.
  • • gi eksempler på maskinlæringsalgoritmer innen regresjon, klassifisering og rangering
  • • beskrive anvendelsesområder for regresjons-, klassifiserings- og rangeringsalgoritmer
  • • bruke maskinlæringsalgoritmene i en eller flere av de mest tilgjengelige og mye brukte bibliotekene som er utviklet for dette formålet.

Undervisnings- og læringsformer

4 timer undervisning per uke med forelesninger, seminarer, prosjektarbeid og oppgaveløsing med veiledning av hjelpelærer og faglærer. 

Arbeidskrav - vilkår for å avlegge eksamen

  • Obligatorisk arbeidskrav: Oppgave(r)
  • Antall arbeidskrav: 2
  • Påkrevde arbeidskrav: 2
  • Fremmøte: Ikke påkrevd
  • Kommentar:

Eksamen

  • Vurderingsform: Skriftlig skoleeksamen
  • Andel: 100%%
  • Varighet: 4 Timer
  • Gruppering: Individuell
  • Karakterskala: Bokstavkarakter
  • Hjelpemidler: Alle trykte og skrevne hjelpemidler + kalkulator med tomt minne

Pensum

Suthaharan, S. (2016). Machine learning models and algorithms for big data classification.

http://media.ebook.de/shop/coverscans/251PDF/25161991_lprob_1.pdf

Kunstig intelligens og personvern, Rapport, Datatilsynet, januar 2018

Introduction to machine learning, Teaching material SAP University Alliances

Pensum kan bli justert før oppstart.

Sist hentet fra Felles Studentsystem (FS) 21. sep. 2020 14:22:22