Faglig innhold

Grunnleggende metoder for statistisk mønstergjenkjenning/maskinlæring. Veiledet og ikke-veiledet læring. Dype nevrale nettverk, support vector machines, mixture models, skjulte Markovmodeller, Gaussiske prosesser. Design, trening og evaluering av maskinlæringsmodeller. Uttrekking av egenskapsvektorer med anvendelser paa talesignaler. Anvendelser innen taleteknologi, medisinsk signalbehandling og multimedia signalbehandling.

Læringsutbytte

Læringsutbytte Kunnskap: Kandidaten har - god kunnskap om teoretiske og praktiske aspekter ved bruk av statistisk mønstergjenkjenning/maskinlæring - god kunnskap om best practice vedrørende trening av maskinlæringsystemer ved bruk av trening-, validering- og test-data - bred kunnskap om egenskaper ved tale-, medisinske- og multimedia-signaler - bred kunnskap om egenskaputtrekking for en rekke signaltyper Ferdighet: Kandidaten kan - benytte og/eller lage programvare til å trene og evaluere modeller basert påmmetoder fra maskinlæring - evaluere ytelsen til maskinlæringssystemer Generell kompetanse: Kandidaten kan - samspillet mellom basisteknologi og anvendelse i design og utvikling av maskinlæringsystemer - gjennomføre gruppearbeid og rapportering.

Læringsformer og aktiviteter

Forelesninger, obligatoriske øvinger på datamaskin. Merk: I høstsemesteret 2026 vil hovedlæreren for kurset ha fri. Noen av forelesningene vil kun være tilgjengelige som videoopptak.

Obligatoriske aktiviteter

• Dataøvinger

Anbefalte forkunnskaper

TTT4120 Digital signalbehandling eller tilsvarende forkunnskaper.

Litt grunnleggende erfaring med Python (for oppgavene)

Kursmateriell

Lærebok er Bishop's Pattern Classification and Machine Learning

Studiepoengreduksjon