Vurderingsordning

Faglig innhold

Dette kurset vil gi følgende:

1. Håndtere virkelige data produsert fra dataapplikasjoner, for eksempel brukergrensesnitt, tjenester og andre programmer.
2. Utfør tilstrekkelige dataprosesser (f.eks. funksjonsutvinning, valg og reduksjon av dimensjonalitet) for å støtte programvareutvikling.
3. Bruk ML-teknikker (f.eks. overvåket, uten tilsyn, semi- og svakt overvåket) for å berike moderne programvareutvikling.
4. Lær å løse problemer i den virkelige verden ved å bruke programvare med datadrevne modelleringsteknikker (f.eks. kunnskapsslutning).

Konkret vil vi dekke følgende emner:

1. Introduksjon til data og grunnleggende statistikk.
2. Forbehandling og kalibrering av datadata (f.eks. databehandling og signalbehandlingsteknikker)
3. Kunnskapsutvinningsteknikker fra datadata (f.eks. funksjonsutvinning, funksjonsplassreduksjon).
4. Grunnleggende modelleringsteknikker (f.eks. KNN, Naive Bayes, Gauss-prosess, Beslutningsgrenser)
5. Avanserte modelleringsteknikker (f.eks. SVM, tilfeldig skog, ANN og ensemblelæringsalgoritmer)
6. Styrke systemer med uovervåket læringsevne (f.eks. personaliseringstjenester og anbefalte systemer).
7. Styrke systemer med semi-overvåket og svakt veiledet læringsevne (f.eks. adaptiv støtte).
8. Styrke systemer med sanntidsfunksjoner (f.eks. gjennom tidsserieanalyse og prognoser)
9. Sette ting sammen: Bruke datadrevne teknikker for å designe og utvikle moderne programvare.

Læringsutbytte

• Kunnskap

1. Analyse av virkelige data med statistikk og maskinlæring
2. Funksjonsvalg og dimensjonsreduksjonsteknikker
3. Anvendelse av veiledet, uveiledet, semi- og svakveiledet læring

• Ferdighet

1. Oversetter virkelige problemer til maskinlæringsrom
2. Bruk av passende rørledning (serie med metoder)

• Kompetanse

1. Kjenn til feltet maskinlæring sett fra SE, IS, HCI-industrien

Læringsformer og aktiviteter

Forelesninger og prosjektarbeid. Hvert team må levere prosjektleveranser i løpet av semesteret og en sluttrapport. Karakterisering er teambasert, men individuelle karakterer kan gis i spesielle tilfeller. Emnet undervises på engelsk.

Mer om vurdering

Tre oppgaver er grunnlaget for karakteren i emnet. Studentene skal levere oppgavene gjennom semesteret.

Ved gjentak må hele emnet gjennomføres på nytt.

Spesielle vilkår

Forkunnskapskrav

Emnet er for alle MSIT, MTDT, MIDT, BIT og MLREAL matte- og informatikk-profiler.

Kursmateriell

Oppgis ved semesterstart.