course-details-portlet

TDT4173 - Moderne maskinlæring i praksis

Om emnet

Vurderingsordning

Vurderingsordning: Mappe/sammensatt vurdering
Karakter: Bokstavkarakterer

Vurdering Vekting Varighet Delkarakter Hjelpemidler
Mappe/sammensatt vurdering 100/100

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.

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

Emnekode Reduksjon Fra Til
IT3704 7.5 HØST 2008
MNFIT374 7.5 HØST 2008
MNFIT374 7.5 HØST 2008
IMT4133 5.0 HØST 2023
Flere sider om emnet

Ingen

Fakta om emnet

Versjon: 1
Studiepoeng:  7.5 SP
Studienivå: Høyere grads nivå

Undervisning

Termin nr.: 1
Undervises:  HØST 2024

Undervisningsspråk: Engelsk

Sted: Trondheim

Fagområde(r)
  • Industriell økonomi
  • Informasjonssikkerhet
  • Informatikk
  • Psykologi
  • Statistikk
  • Teknologiske fag
Kontaktinformasjon
Emneansvarlig/koordinator:

Ansvarlig enhet
Institutt for datateknologi og informatikk

Eksamensinfo

Vurderingsordning: Mappe/sammensatt vurdering

Termin Statuskode Vurdering Vekting Hjelpemidler Dato Tid Eksamens- system Rom *
Høst ORD Mappe/sammensatt vurdering 100/100

Innlevering
14.11.2024


14:00

Rom Bygning Antall kandidater
  • * Skriftlig eksamen plasseres på rom 3 dager før eksamensdato. Hvis mer enn ett rom er oppgitt, finner du ditt rom på Studentweb.
Eksamensinfo

For mer info om oppmelding til og gjennomføring av eksamen, se "Innsida - Eksamen"

Mer om eksamen ved NTNU