Vurderingsordning

Faglig innhold

Emnet gir en innføring i forsøksplanlegging og maskinlæringsmetoder for modellering og datanalyse med fokus på anvendelser innen kjemi, biologi, bioteknologi, prosesskjemi, materialteknologi og fysikk. Målet med emnet er å gi kandidatene kunnskaper om metoder som brukes for å trekke ut nyttig informasjon fra kompliserte datasett/fysiske prosesser, bygge og validere robuste modeller, og planlegge effektive eksperimenter (hvordan gjennomføre forsøk for å få mest mulig informasjon med færrest mulige eksperiment).

Spesifikt dekkes følgende tema:

• design og planlegging av eksperimenter (f.eks. fult og fraksjonelt design),
• regresjon (f.eks. minste kvadraters metode og regulariserte metoder),
• preprosessering og modellering med validering (via bruk av testsett og kryssvalidering),
• forenkling av kompliserte datasett til tolkbar informasjon, f.eks. via prinsipalkomponentanalyse eller partial least squares regression,
• teknikker fra maskinlæring for å løse problemer som klassifisering, regresjon og klyngeanalyse,
• introduksjon til nevrale nettverk for veiledet modellering,

Læringsutbytte

Kunnskaper

Etter avsluttet kurs kan kandidaten:

• Velge egnet analyse/modelleringsmetode i ulike situasjoner.
• Forklare hvordan eksperimentelle design brukes for forsøksplanlegging og hvordan resultater fra eksperimentelle design analyseres.
• Beskrive ikke-veiledede metoder som prinsipalkomponentanalyse og klyngemetoder, gi eksempler på bruk og tolke og vurdere resultater fra slike metoder.
• Beskrive ulike regresjonsmetoder som minste kvadraters metode og partial least squares, gi eksempler på bruk og tolke og vurdere resultater fra slike metoder.
• Beskrive ulike klassifiseringsmetoder som beslutningstre og k-nærmeste naboer, gi eksempler på bruk og tolke og vurdere resultater fra slike metoder.
• Beskrive hvordan enkle nevrale nettverk kan settes opp og trenes.
• Forklare hvordan valideringsmetoder brukes for å analysere ulike modellers prediktive evne.
• Indikere gyldighetsgrenser for metodene og modellene som dekkes i kurset.

Ferdigheter

Etter avsluttet kurs kan kandidaten:

• Redusere, forenkle og omforme store datamengder til tolkbar informasjon.
• Sette opp, utføre og tolke resultater fra et eksperimentelt design.
• Utføre prinsipalkomponentanalyse og klyngeanalyse, og bruke dette for å tolke store datamengder.
• Utføre regresjon og bruke dette for modellering og prediksjon.
• Utføre klassifisering og bruke dette for modellering og prediksjon.
• Lage og trene et enkelt neuralt nettverk for prediksjon.
• Bruke testsett og kryssvalidering for å beskrive og sammenligne ulike modellers prediktive evne.

Generell kunnskap

Etter avsluttet kurs kan kandidaten:

• Presentere resultater fra modellering og analyse skriftlig og grafisk.
• Bruke Python for vitenskapelig analyse og plotting, spesifikt for de forskjellige metodene som kurset dekker.

Læringsformer og aktiviteter

Undervisningen foregår i form av 4 digitale samlinger. Hver samling foregår over 2 dager og inkluderer forelesning og øvingsoppgaver og diskusjon i grupper.

Mer om vurdering

Vurderingen i kurset er i form av et prosjekt som deltakerne gjennomfører ved å bruke en eller flere av metodene fra kurset. Tema for prosjektet bestemmes i samarbeid med deltakerne og tilpasses deres interesser. Prosjektet kan utføres i samarbeid med andre deltakere eller individuelt. Hver deltaker må levere inn individuell prosjektrapport som beskriver prosjektet og hvordan de har løst den aktuelle problemstillingen.

Anbefalte forkunnskaper

• Grunnleggende matematikk (med lineær algebra)
• Grunnleggende statistikk (f.eks. deskriptiv statistikk, hypotesetesting og sannsynlighetsfordelinger)
• Grunnleggende Python-programmering (kjennskap til NumPy, SciPy og Matplotlib er et pluss siden disse brukes i kurset sammen med Pandas og scikit-learn).

Kursmateriell

Kursmateriell oppgis ved semesterstart.

Studiepoengreduksjon