course-details-portlet

TDT4173 - Maskinlæring

Om emnet

Vurderingsordning

Vurderingsordning: Mappevurdering
Karakter: Bokstavkarakterer

Vurderingsform Vekting Varighet Hjelpemidler Delkarakter
Arbeider 20/100
Skriftlig eksamen 80/100 4 timer D

Faglig innhold

Emnet behandler prinsipper og metoder for hvordan datasystemer selv kan oppdatere sin kunnskap og problemløsningsevne. Klassiske metoder for maskinell læring basert på observerte data, samt læring som også utnytter eksisterende kunnskap gjennomgås og analyseres. Hovedvekten legges på symbolprosesserende metoder, der eksplisitte begreper og sammenhenger læres. Andre metoder som omhandles er bl.a. statistiske generaliseringer, ensemble metoder, og dyp læring. Det legges vekt på de enkelte læringsmetoders sterke og svake sider, relatert til ulike mål for læringen.
I case-basert resonnering integreres læring og problemløsning ved at konkrete problemer som løses tas vare på og gjenbrukes ved løsning av nye problemer, jfr. CBR-syklusen. Numeriske og kognitive modeller for similaritetsvurdering gjennomgås, og ulike systemarkitekturer diskuteres. Videre behandles metoder der både case-spesifikk og generell kunnskap integreres i lærings- og problemløsningsfasene.

Læringsutbytte

Emnet skal gi en innføring i prinsipper og metoder for hvordan datasystemer kan lære av egen erfaring. Det legges vekt på en fundamental forståelse av maskinlæring generelt, som en bakgrunn for ulike spesifikke metoder. I case-basert resonnering vektlegges forståelsen av hvordan maskinlæring og problemløsning integreres.

Læringsformer og aktiviteter

Forelesninger, kollokvier, selvstudium og øvinger.

Mer om vurdering

Mappevurdering gir grunnlag for sluttkarakter i emnet. I mappen inngår skriftlig avsluttende eksamen (80%) og arbeider (20%). Resultatet for delene angis i %-poeng, mens sensur for hele mappen (sluttkarakteren) angis med bokstavkarakter (A -F).
Ved utsatt eksamen kan skriftlig eksamen bli endret til muntlig eksamen.
Dersom studenten også etter utsatt eksamen har sluttkarakteren F/ikke-bestått, må studenten gjenta hele emnet neste studieår. Arbeider som teller med i sluttkarakteren må gjentas.

Kursmateriell

Lærebok: Tom Mitchell: Machine learning, McGraw Hill, 1997.
Michael M. Richer and Rosina Weber: Case-Based Reasoning, Springer, 2013.
Utvalgte artikler.

Studiepoengreduksjon

Emnekode Reduksjon Fra Til
IT3704 7.5 01.09.2008
MNFIT374 7.5 01.09.2008
MNFIT374 7.5 01.09.2008
Flere sider om emnet

Ingen

Fakta om emnet

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

Undervisning

Termin nr.: 1
Undervises:  HØST 2019

Forelesningstimer: 2
Øvingstimer: 3
Fordypningstimer: 7

Undervisningsspråk: Engelsk

Sted: Trondheim

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

Ansvarlig enhet
Institutt for datateknologi og informatikk

Telefon:

Eksamensinfo

Vurderingsordning: Mappevurdering

Termin Statuskode Vurderings-form Vekting Hjelpemidler Dato Tid Digital eksamen Rom *
Høst ORD Skriftlig eksamen 80/100 D 13.12.2019 09:00
Rom Bygning Antall kandidater
SL110 lilla sone Sluppenvegen 14 53
SL110 hvit sone Sluppenvegen 14 64
SL120 blå sone Sluppenvegen 14 2
SL274 Sluppenvegen 14 1
SL311 orange sone Sluppenvegen 14 65
Høst ORD Arbeider 20/100
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