course-details-portlet

TDT4173

Maskinlæring og case-basert resonnering

Studiepoeng 7,5
Nivå Høyere grads nivå
Undervisningsstart Vår 2016
Varighet 1 semester
Undervisningsspråk Engelsk
Vurderingsordning Mappevurdering

Om

Om emnet

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 og forsterkingslæring. 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. 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.

Læringsformer og aktiviteter

Forelesninger, kollokvier, selvstudium og øvinger. 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.

Kursmateriell

Lærebok: Tom Mitchell: Machine learning, McGraw Hill, 1997. Artikkelsamling: Oppgis ved semesterstart.

Studiepoengreduksjon

Emnekode Reduksjon Fra
IT3704 7,5 sp
MNFIT374 7,5 sp
MNFIT374 7,5 sp
Dette emne har faglig overlapp med emnene i tabellen over. Om du tar emner som overlapper får du studiepoengreduksjon i det emnet du har dårligst karakter i. Dersom karakteren er lik i de to emnene gis det reduksjon i det emnet som er avlagt sist.

Fagområder

  • Industriell økonomi
  • Informasjonssikkerhet
  • Informatikk
  • Psykologi
  • Statistikk
  • Teknologiske fag

Kontaktinformasjon

Emneansvarlig/koordinator

Faglærere

Ansvarlig enhet

Institutt for datateknologi og informatikk

Eksamen

Eksamen

Vurderingsordning: Mappevurdering
Karakter: Bokstavkarakterer

Ordinær eksamen - Vår 2016

Arbeider
Vekting 20/100
Skriftlig eksamen
Vekting 80/100 Dato 08.06.2016 Tid 09:00 Varighet 4 timer Sted og rom Ikke spesifisert ennå.

Kontinuasjonseksamen - Sommer 2016

Arbeider
Vekting 20/100
Muntlig eksamen
Vekting 80/100 Dato 08.08.2016

Alt om eksamen ved NTNU