Faglig innhold

Dette kurset gir en kortfattet, men likevel omfattende innføring i integrasjonen og nytten av maskinlæring (ML) innen naturvitenskap. Deltakerne vil lære om klyngedannelse og dimensjonsreduksjon for å gruppere og visualisere høy-dimensjonale data. Videre vil deltakerne lære om maskinlæringsmetoder som Quantitative Structure-Activity Relationship (QSAR) for prediksjon og klassifisering av molekylære egenskaper, fysikkinformerte metoder for å kombinere fysiske prinsipper med maskinlæring, samt surrogatmodeller for å akselerere modellens kjøretid. Kurset gir deltakerne ferdigheter og kunnskap til å anvende maskinlæring effektivt i sine respektive felt ved å kombinere teori med praktiske eksempler. I tillegg vil studentene utvikle en forståelse av forholdet mellom ML-prinsipper og tradisjonelle fagområder som matematikk, kjemometri og automatisk kontroll, noe som bidrar til å avmystifisere maskinlæring og gir en tydelig vei til dens praktiske anvendelse innen naturvitenskap.

Læringsutbytte

Læringsutbytte:

1. Forstå forholdet mellom prinsipper for datavitenskap og tradisjonelle fagområder som kjemometri og automatisk kontroll, og oversett denne forståelsen effektivt til å utvikle maskinlæringsmodeller som adresserer praktiske utfordringer innen naturvitenskap.
2. Anvende maskinlæringsmetoder og integrere fagspesifikk kunnskap for å løse problemer innen naturvitenskap, og sikre at modellene er pålitelige og anvendelige i virkelige sammenhenger.

Læringsmål - Etter å ha fullført dette kurset, vil du kunne:

• Programmere i Python eller Julia i et Jupyter Notebook-miljø.
• Laste inn CSV-filer i Python DataFrames, visualisere variabler, velge kolonner, oppsummere data og fylle inn manglende verdier.
• Løse oppgaver innen veiledet læring, som regresjon og klassifisering.
• Løse oppgaver innen uveiledet læring, som klyngedannelse, dimensjonsreduksjon og tetthetsestimering.
• Forstå og bruke den matematiske strukturen til dype nevrale nettverk og deres anvendelse på regresjon og klassifisering.
• Forstå grunnleggende teori innen automatisk kontroll og anvend denne i sammenhenger med datavitenskap og maskinlæring.
• Utvikle og anvende modeller som kombinerer fysisk kunnskap med maskinlæring for å forbedre prediksjonsevnen.
• Formulere og løse problemet med prediksjon av molekylære egenskaper som en regresjons- eller klassifiseringsoppgave.
• Formulere og løse tidsserieprognoser som en regresjonsoppgave.

Læringsformer og aktiviteter

Problemstyrt læring foregår ukentlig (4 timer) med tilhørende øvelser og veiledning (2 timer).

Obligatoriske aktiviteter

• Obligatoriske oppgaver

Spesielle vilkår

Kursmateriell

Data Analysis with Python online book - For Modules 1, 2 and 3, Chapters 2 to 7.

Multivariable Feedback Control: Analysis and Design, 2nd Edition Sigurd Skogestad, Ian Postlethwaite

Applications of Deep Neural Networks with Keras by Jeff Heaton for deep learning -Modules and 10.

Parallel Computing and Scientific Machine Learning (SciML): Methods and Applications

Advanced Scientific Machine Learning