Faglig innhold

Kurset gir en grunnleggende introduksjon til dataanalyse og maskinlæring. Det dekker læringsformene veiledet og uveiledet læring grundig, og en lett introduksjon til forsterket læring og forklaringsmetoder for maskinlæringsmodeller. Kursarbeidet er prosjektstyrt med fokus på anvendelser, ved bruk av Python og standard maskinlæringsbiblioteker.

Læringsutbytte

Kunnskap

Kandidaten skal:

• kunne demonstrere kunnskap om grunnleggende maskinlæring og populære læringsalgoritmer.

Ferdigheter

Kandidaten skal:

• kunne analysere datasett, og trene og evaluere maskinlæringsmodeller på data.
• kunne vurdere egnetheten av læringsformer basert på data.

Generell kompetanse

Kandidaten:

• skal kunne forstå de grunnleggende prinsippene for dataanalyse og maskinlæring.
• har kunnskap om anvendeligheten og begrensningene til forskjellige moderne læringsalgoritmer.

Læringsformer og aktiviteter

Undervisningsaktiviteter for hver uke:

• Forelesninger vil benytte studentaktive læringsmetoder som foreleserledede undervisningsøkter, problembasert/casebasert læring og arbeid med praktiske problemer innen maskinlæring.
• Veiledede labøkter vil bli gjennomført med læringsassistenter som gir individuell veiledning og støtte i oppgaveløsning.

Obligatoriske aktiviteter: Det vil bli gitt obligatoriske øvinger, hvorav 90% må være godkjent for å gå opp til eksamen.

Spesielle vilkår

Anbefalte forkunnskaper

• Grunnleggende programmeringskunnskap i Python.
• Statistikk fra ISTG1003 eller tilsvarende (ST1101/TMA4240/TMA4245)
• Linear algebra and Calculus fra IMAG1002, IMAG2024 eller tilsvarende (TMA4110/TMA4115/MA1201, TMA4105, MA1103)

Kursmateriell

Hands-on Machine Learning with Scikit Learn, Keras and Tensorflow, 2022, Aurelien Geron

Studiepoengreduksjon