Emne - Maskinlæring for ingeniører - TMM4128
Maskinlæring for ingeniører
Vurdering og obligatoriske aktiviteter kan bli endret frem til 20. september.
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 med tanke på produktutviklingens livssyklus, inkludert produktutvikling, produksjon, bruk og potensiell resirkulering/gjenbruk/ombruk. 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.
Obligatoriske aktiviteter
- Gruppepresentasjoner
Mer om vurdering
(informasjonen kan bli endret frem til 15. juni)
Mappevurdering og avsluttende eksamen er grunnlaget for karakteren i emnet. Karakteren deles inn i 40 % for mappevurdering og 60 % for avsluttende eksamen.
Porteføljen inneholder tre oppgaver som hver fokuserer på anvendelse av en maskinlæringsmodell. Den 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 tre presentasjonene forventes det at studentene deltar.
Prosjektet kan gjennomføres i en gruppe på 2-3 studenter og det bør inneholde en detaljert beskrivelse av deltakernes individuelle bidrag.
I tillegg vil det være obligatoriske muntlige presentasjoner av tre emneoppgaver som brukes som et pedagogisk verktøy for å formidle kunnskap samlet av studentgrupper seg imellom.
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