Emne - Maskinlæring for ingeniører - TMM4128
Maskinlæring for ingeniører
Om
Om emnet
Faglig innhold
Maskinlæring (ML) er en gren av AI som fokuserer på å lære fra data for å designe automatiserte systemer som kan forbedre ytelsen med erfaring. De siste årene har maskinlæring blitt brukt i et bredt spekter av ingeniørapplikasjoner, inkludert: autonome biler, forutsi mekanisk feil, automatisering i ingeniørarbeid, kvalitetsvurdering, robotsyn og intelligent kontroll blant andre.
Dette kurset gir en grundig innføring i maskinlæring og praktisk erfaring med praktiske anvendelser. Emnene som undervises i dette kurset vil dekke grunnleggende prinsipper innen maskinlæring, så vel som de teoretiske grunnlagene for dets algoritmer og hvordan de kan brukes optimalt.
Kurset fokuseres på tilpasning, kombinasjon og anvendelse av eksisterende ML-verktøy som brukes å løse ingeniørproblemer. På slutten skal man være i stand til i) å identifisere egnede ML-baserte tilnærminger for å løse et ingeniørproblem, ii) finne riktige komponenter, verktøy for å implementere tilnærmingen og iii) integrere og finjustere disse komponentene for å utvikle løsningen.
Læringsutbytte
Etter å ha fullført dette kurset vil studenten kunne tilegne seg følgende:
Kunnskap:
- Lær de grunnleggende prinsippene for veiledet, uovervåket og forsterkende læring.
- Tilegne seg kunnskap om bruk av ML for å løse praktiske problemer relevante for ingeniører.
Ferdigheter:
- Bruk datahåndtering, funksjonsteknikk og dataforbehandlingsteknikker
- Få erfaring med å systematisk arbeide med data for å lære nye mønstre.
Generell kompetanse:
- På slutten av dette kurset vil studentene forstå styrken og begrensningene til velkjente maskinlæringsmetoder, og lære å analysere data for å identifisere trender.
Læringsformer og aktiviteter
Læringsaktiviteter i dette kurset inkluderer: forelesninger, forberedelse av seminarer, arbeid med miniprosjekter og bidrag til diskusjon.
Eksamensoppgavene gis kun på engelsk, og det forventes også at engelsk benyttes for å besvare eksamen.
Mer om vurdering
Mappevurdering og avsluttende eksamen er grunnlaget for karakteren i emnet. Karakteren deles inn i 40 % for mappevurdering og 60 % for avsluttende eksamen. Portfolioen er markert i %-poeng og den inkluderer muntlige presentasjoner og et prosjekt som involverer bruk av en maskinlæringsmodell.
Mappevurderingen inkluderer: 10 % dedikert til seminarer, og 30 % dedikert til et prosjekt. Begge dreier seg om å velge et datasett og bruke maskinlæringsmodeller i virkelige applikasjoner.
Seminarene vil inneholde et kort seminar som introduserer det valgte datasettet for prosjektet og et lengre seminar som forklarer arbeidstempoet etter at prosjektets midtveisrapport er levert.
I disse to presentasjonene forventes det at studentene deltar. Plusspoeng kan gis for å gi gode tilbakemeldinger fra kolleger til foredragsholderne.
På den annen side vil prosjektet undersøke anvendelsen av én maskinlæringsmodell i praksis, og den bør skrives som en kort oppgave. Prosjektet vil ha to innleveringer. Den første innleveringen er en midtveisrapport som dekker 10 % av karakteren, der de første resultatene for bruk av grunnleggende referansemodeller for maskinlæring presenteres. Den andre innleveringen er sluttrapporten som utgjør 20 % av mappevurderingen. Den bør skrives som en kort artikkel, inkludert en kort litteraturgjennomgang, metodikk og resultater av den endelige fullt innstilte modellen(e) av de valgte datasettene.
Prosjektet kan gjennomføres i en gruppe på 2-3 studenter og det bør inneholde en detaljert beskrivelse av deltakernes individuelle bidrag.
Ved kontinuasjonseksamen kan eksamensformen endres fra skriftlig til muntlig.
Anbefalte forkunnskaper
God bakgrunn i lineær algebra (matriser og egenvektor), kalkulus, sannsynlighet, samt programmeringskunnskaper i python eller MATLAB. Det vil også være nyttig å ta TPK4186 - Advanced Tools for Performance Engineering eller lignende kurs i det tredje året.
Kursmateriell
Lærebøker:
- Tom Mitchell: Machine learning, McGraw Hill, 1997
- Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006
Ytterligere kursmateriell (lærebok og papirer) vil bli gitt i forelesningene.
Fagområder
- Maskinkonstruksjon og materialteknikk - Materialer og produksjonssystemer
- Maskinkonstruksjon og materialteknikk - Mekanisk integritet
- Maskinkonstruksjon og materialteknikk - Produkt-og maskinutvikling
- Datateknikk og informasjonsvitenskap
- IKT og matematikk
- Maskinkonstruksjon og materialteknologi
- Datamaskiner
- Maskinkonstruksjon og materialteknikk - Konstruksjoners integritet
- Databehandling
- Datateknikk
Kontaktinformasjon
Emneansvarlig/koordinator
Faglærere
Ansvarlig enhet
Eksamen
Eksamen
Ordinær eksamen - Vår 2026
Skriftlig skoleeksamen
Oppgitt rom kan endres og endelig plassering vil være klar senest 3 dager før eksamen. Du finner din romplassering på Studentweb.