course-details-portlet

TDT4173 - Maskinlæring

Om emnet

Vurderingsordning

Vurderingsordning: Mappevurdering
Karakter: Bokstavkarakterer

Vurdering Vekting Varighet Delkarakter Hjelpemidler
Metodeoppgave 35/100
Prosjekt 50/100
Individuell oppgave 15/100

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.

Mer om vurdering

Mappevurdering er grunnlaget for karakteren i emnet. Mappen inkluderer innlevering av en metodeoppgave (35%), individuell oppgave (vurdering for en annen studentoppgave/quiz/osv) (15%) og et prosjekt (50%). Resultatene for delene er gitt i %, mens hele mappen tildeles bokstavkarakter. I tilfelle studenten får F / Ikke bestått som sluttkarakter, må studenten ta emnet på nytt i sin helhet.

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 HØST 2008
MNFIT374 7.5 HØST 2008
MNFIT374 7.5 HØST 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 2021

Undervisningsspråk: Engelsk

Sted: Trondheim

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

Ansvarlig enhet
Institutt for datateknologi og informatikk

Eksamensinfo

Vurderingsordning: Mappevurdering

Termin Statuskode Vurdering Vekting Hjelpemidler Dato Tid Eksamens- system Rom *
Høst ORD Metodeoppgave 35/100 INSPERA
Rom Bygning Antall kandidater
Høst ORD Individuell oppgave 15/100 INSPERA
Rom Bygning Antall kandidater
Høst ORD Prosjekt 50/100 INSPERA
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