Faglig innhold

Dette kurset gir en oversikt over praktiske anvendelser av maskinlæring (ML) i industrielle sammenhenger, med fokus på målsetting, bruk av reelle data, domenekunnskap og strategier for problemløsning. Studentene vil få praktisk erfaring med store, komplekse datasett, med eksempler på klassifisering, regresjon og gruppering, og lære å håndtere usikkerheter som er iboende i ML problemstillinger.

Kurset understreker betydningen av fag- og domenekunnskap for å forstå datakvalitet, måleusikkerhet, støykilder - og hvordan dette påvirker modellens nøyaktighet og prediksjonsevne.

Deltakerne vil lære å definere klare mål for maskinlæringsprosjekter, som er i tråd med interessenter og brukeres behov. Pensum dekker beste praksis innen evaluering av analyser, tolkning av resultater og justering av parametere for å optimalisere modellens ytelse.

Ved gjennomført kurs vil studentene inneha ferdigheter til å anvende maskinlæringsteknikker effektivt i industrielle sammenhenger, og bruke data-drevne innsikter for å nå organisatoriske mål.

Læringsutbytte

Kunnskap

Etter å ha fullført kurset, vil studentene:

• Forstå praktiske anvendelser av maskinlæring (ML) i industrielle kontekster, inkludert typiske utfordringer og begrensninger.
• Få grunnleggende kunnskap om både veiledede- og ikke veiledede læringsteknikker og hvordan de anvendes på reelle datasett.
• Lære om konseptet usikkerhet i ML-modeller og metoder for å håndtere og kvantifisere denne.
• Forstå viktigheten av fagkunnskap for å forbedre nøyaktigheten til ML-modeller og databehandling, spesielt i forhold til å identifisere og håndtere støy, feil og upålitelige data.
• Kunne forklare rollen til maskinlæring i å støtte produksjonrelaterte problemstillinger.

Ferdigheter

Ved gjennomført kurs vil studentene kunne:

• Anvende maskinlæringsteknikker på reelle datasett, utvikle både veildede- og ikke-veiledede modeller for å løse relevante industriproblemer.
• Bruke fagkunnskap for å forhåndsbehandle og rense data, forbedre modellens pålitelighet ved å identifisere og korrigere feil, støy og inkonsekvenser.
• Formulere klare, målrettede mål for ML-prosjekter basert på behov og forventninger fra interessenter og brukere.
• Vurdere ytelsen til ML-modeller ved å analysere resultater, tolke analyser og gjøre datadrevne justeringer av parametere for å optimalisere prediksjonsnøyaktighet.
• Kommunisere komplekse ML-konsepter, prosesser og funn effektivt til både tekniske og ikke-tekniske interessenter.

Generell kompetanse

Etter vellykket fullføring av kurset, vil studentene:

• Være i stand til å sette maskinlæringsprosjekter inn i en strategisk kontekst, med hensyn til både tekniske og forretningsmessige mål for å skape verdi i industrielle applikasjoner.
• Gjenkjenne de etiske implikasjonene av datahåndtering og beslutningstaking i maskinlæring, og sikre ansvarlig og gjennomsiktig modellimplementering.
• Demonstrere en kritisk forståelse av den prosessuelle- og iterative naturen til ML-arbeid, med evne til å tilpasse og forbedre modeller basert på endringer i data eller målsettinger.
• Utvise selvstendig læring og problemløsningsevner, og være i stand til å takle nye og ukjente datasett og ML-utfordringer i profesjonelle sammenhenger.
• Samarbeide i tverrfaglige team omkring kombinasjonen av fag- og domenekunnskap med maskinlæringsmetoder for å nå felles mål og maksimere effekten av maskinlæringsløsninger.

Læringsformer og aktiviteter

Læringsformer og aktiviteter

• Prosjektbasert undervisning
• Studentaktive læringsformer - selvstudie
• Gruppearbeid
• Forelesninger eller gjesteforelesning
• Studentpresentasjoner
• Fagnært laboratoriearbeid
• Bedriftsbesøk
• Rapportskriving

Obligatoriske aktiviteter

• Innleveringer

Spesielle vilkår

Anbefalte forkunnskaper

Gunnleggende kunnskap om KI anvendt i industrielle systemer

Forkunnskapskrav

Noe kjennskap til industrielle produksjonssystemer kreves

Kursmateriell

Jay Lee: Industrial AI: Applications with Sustainable Performance, Springer, 2020

Escobar CA, Morales-Menendez R. Machine Learning in Manufacturing: Quality 4.0 and the Zero Defects Vision. Elsevier; 2024 Mar 17.

Vitenskapelige artikler og andre kilder og ressurser deles ved starten av emnet via NTNU sitt læringsstøtteverktøy