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, tidsserier metoder, 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, gruppearbeid, kollokvier, selvstudium og øvinger.

Anbefalte forkunnskaper

Emnene TDT4136 Introduksjon til kunstig intelligens, TDT4171 Metoder i kunstig intelligens eller tilsvarende.

Kursmateriell

Lærebok:

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

Utvalgte artikler.

Studiepoengreduksjon