Vurderingsordning

Faglig innhold

Emnet gir en mer omfattende innføring i prinsippene og teknikkene for maskinlæring (ML) for å utvikle ML-systemer som kan brukes i praksis. Temaer som dekkes inkluderer grunnleggende prinsipper innen ML, moderne prediksjonsmodeller med fokus på ensemble-læring og viktige steg i utviklingsprosessen, inkludert databehandling, utforskende dataanalyse, datarensing, utvikling av dataegenskaper og modellfortolkning. Kurset tar også for seg modellvurdering, reproduksjon, automatisert ML og spesialiserte metoder for tidsseriedata.

Læringsutbytte

Ved slutten av kurset vil studentene være i stand til å utvikle robuste maskinlæringssystemer for faktiske applikasjoner.

Læringsformer og aktiviteter

Forelesninger, gruppearbeid, kollokvier og selvstudium.

Mer om vurdering

Emneevalueringen består av to deler:

1. Individuell oppgave: Omtrent en måned etter semesterstart må hver student fullføre en individuell oppgave. Hver student får to muligheter til å bestå oppgaven; i tilfelle av et andre forsøk, vil det bli trukket 5 % av den totale skåren. Studenter som ikke består oppgaven på noen av de to forsøkene får endelig karakter 'F' eller 'Ikke bestått'.
2. Kursprosjekt: Studentene som består den individuelle oppgaven er kvalifisert til å gå videre til prosjektet. Dette vurderes som et teamarbeid, der hvert team består av maksimalt tre studenter. Prosjektkarakteren settes basert på grunnpoeng (varierende fra maksimalt 100 % til minimum 41 %) med potensielle prosjekttrekk (varierende fra 0 % til -17 %). Grunnpoeng er proporsjonale med antall virtuelle team (VT-er) som studentteamet overgår når det gjelder prediksjonsytelse. VT-ene settes sammen av foreleser og læringsassistenter. Hvis et studentteam ikke overgår noen VT-er, teller prosjektet som ikke bestått, hvilket fører til stryk i faget. Potensielle trekk kan inkludere forsinket prosjektlevering (innen tre dager) og utilstrekkelig dokumentasjon av viktige komponenter innen maskinlæring.

Endelige poeng avrundes til bokstavkarakterer basert på NTNU-standardintervallene.

Hvis en student får en endelig karakter på 'F' eller 'Ikke bestått,' må de ta hele emnet på nytt.

Anbefalte forkunnskaper

Emnene TDT4136 Introduksjon til kunstig intelligens, TDT4171 Metoder i kunstig intelligens, TDT4172 Introduksjon til maskinlæring eller tilsvarende.

Kursmateriell

Lærebøker:

• Tom Mitchell: Machine learning, McGraw Hill, 1997.
• Christopher M. Bishop: Pattern Recognition and Machine Learning, 2006
• Dipanjan Sarkar, Raghav Bali, Tushar Sharma: Practical Machine Learning with Python: A Problem-Solver's Guide to Building Real-World Intelligent Systems, 2017

Utvalgte artikler og kodeeksempler.

Studiepoengreduksjon