Faglig innhold

Datarepresentasjon: representasjon av ulike datakilder som bilder, lyd og tekst, aktuelle teknikker for prosessering av data.

Unsupervised learning: ulike clustering algoritmer, reduksjon av dimensjoner, og andre aktuelle metoder.

Supervised learning: blant annet logistisk regresjon og forskjellige typer nevrale nettverk.

Læringsutbytte

Kunnskaper

Kandidaten kan gjøre rede for:

• ulike måter å representere data på
• ulike metoder for å gruppere og klassifisere data
• hvilke maskinlæringsmetoder som er hensiktsmessig å bruke ved gitte problemstillinger
• begrensninger ved maskinlæring

Ferdigheter

Kandidaten kan:

• lage fullverdige maskinlæringsløsninger ved hjelp av et rammeverk
• ta i bruk representasjonsalgoritmer som gjør det enklere for maskinlæringsmetoder å gi bedre resultater for et gitt datasett
• velge og tilpasse en maskinlæringsmetode som er aktuell for en gitt problemstilling
• vurdere om maskinlæringsmetoder kan gi gode resultater for en gitt problemstilling med utgangspunkt i et gitt datasett

Generell kompetanse

Kandidaten skal kunne finne og tilpasse løsninger til nye problemstillinger basert på tidligere anvendelser av maskinlæring.

Læringsformer og aktiviteter

Forelesninger, øvinger og prosjekt.

Obligatoriske aktiviteter

• Obligatoriske øvinger

Spesielle vilkår

Anbefalte forkunnskaper

Lineær algebra og statistikk.

Kursmateriell

Programmeringseksempler, presentasjoner og bruksanvisninger med hjelpelitteratur gjennom eksterne ressurser.

Studiepoengreduksjon