course-details-portlet

TDT4173 - Maskinlæring

Om emnet

Vurderingsordning

Vurderingsordning: Mappe/sammensatt vurdering
Karakter: Bokstavkarakterer

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

Faglig innhold

Emnet introduserer prinsipper og metoder for automatisert læring i datasystemer. Undervisningen fokuserer på konsepter, teknikker og analysemetoder knyttet til datadrevet læring og generalisering til nye datapunkter. Tidsseriemetoder, ensemblemetoder, dyp læring, statistiske generaliseringer og reproduserbarhet er også inkludert. Det legges vekt på de forskjellige læringsmetodenes styrker og svakheter. Læringsmetoder fra case-based reasoning blir også beskrevet. I tillegg til teoretisk kunnskap gir emnet praktisk veiledning for utvikling av et maskinlæringssystem.

Læringsutbytte

Emnet har som mål å introdusere overordnede prinsipper innenfor maskinlæringsmetoder og gi forståelse av nøkkelelementer for praktisk anvending av maskinlæring.

Læringsformer og aktiviteter

Forelesninger, gruppearbeid, kollokvier og selvstudium.

Mer om vurdering

Emneevalueringen består av to deler. (1) Hver student må først bestå en individuell oppgave (IA) ca. en måned etter kursstart. Hver student kan få et nytt forsøk til å bestå IA, men studenten får et fradrag (-5%) i emnepoengene. Studenter som stryker i IA på begge forsøkene vil få karakteren F eller Ikke bestått. (2) Kun de som består IA kan fortsette til kursprosjektet. Prosjektet vurderes for hele teamet (hvert team består av inntil tre studenter). Prosjektpoengene tilsvarer basispoeng (maks. 100 % og min. 41 %) pluss potensielle prosjektfradrag (fra 0 % til -17 %). Basispoengene er proporsjonale med antallet virtuelle lag (VT) som er beseiret av studentlaget med hensyn til predikasjonsprestasjon. Lærerne og undervisningsassistentene forbereder VT-ene. Hvis et studentlag ikke kan beseire noen VT, vil teammedlemmene mislykkes i prosjektet og dermed kurset. De potensielle fradragene inkluderer en sen innlevering (innen tre dager) og manglende dokumentering av nøkkelkomponenter i maskinlæringspraksis.

Kurspoengene vil til slutt avrundes til bokstavkarakter etter NTNUs standardintervaller. Dersom studenten får F eller Ikke bestått som sluttkarakter, må studenten ta hele emnet på nytt.

Kursmateriell

Lærebøker:

  • Tom Mitchell: Machine learning, McGraw Hill, 1997.
  • Christopher M. Bishop: Pattern Recognition and Machine Learning, 2006

Utvalgte artikler.

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 2023

Undervisningsspråk: Engelsk

Sted: Trondheim

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

Ansvarlig enhet
Institutt for datateknologi og informatikk

Timeplan

Listevisning
Kalendervisning

Eksamensinfo

Vurderingsordning: Mappe/sammensatt vurdering

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

Innlevering
12.11.2023


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