Emne - Moderne maskinlæring i praksis - TDT4173
Moderne maskinlæring i praksis
Velg studieårOm
Om emnet
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
Kunnskap: Studentene vil forstå sentrale konsepter, metoder og etiske betraktninger innen maskinlæring som er relevante for å bygge praktiske applikasjoner.
Ferdigheter: Studentene vil kunne bruke eksisterende verktøy for maskinlæring til å forhåndsbehandle data, velge modeller, evaluere ytelse og utvikle applikasjoner for virkelige problemer.
Generell kompetanse: Studentene vil lære å samarbeide i team, anvende maskinlæring på en ansvarlig måte og tilpasse verktøy for å løse praktiske problemer effektivt.
Læringsformer og aktiviteter
Forelesninger, gruppearbeid, kollokvier og selvstudium.
Mer om vurdering
Emneevalueringen består av to deler:
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, vil få karakter 'F' (stryk) som endelig karakter i emnet.
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.
Ved frivillig gjentak, stryk (F) eller gyldig fravær, må mappen tas på nytt i semester med undervisning.
Anbefalte forkunnskaper
Emnene TDT4136 Introduksjon til kunstig intelligens, TDT4171 Metoder i kunstig intelligens, TDT4172 Introduksjon til maskinlæring eller tilsvarende.
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 |
|---|---|---|
| IT3704 | 7,5 sp | Høst 2008 |
| MNFIT374 | 7,5 sp | Høst 2008 |
| MNFIT374 | 7,5 sp | Høst 2008 |
| IMT4133 | 5 sp | Høst 2023 |
Fagområder
- Industriell økonomi
- Informasjonssikkerhet
- Informatikk
- Psykologi
- Statistikk
- Teknologiske fag