IKT901 Introduksjon til maskinlæring

Emnet er tilknyttet følgende studieprogram

• Industriell digitalisering og kunstig intelligens

Undervisningsspråk

Norsk

Forkunnskapskrav

Generell studiekompetanse

Emnet tilbys som oppdragsstudium for ansatte i medlemsbedrifter i næringsklyngene iKuben, Digin, MIL, Sinpro, Eyde og NODE.

Anbefalte forkunnskaper

Programmeringskunnskaper, gjerne i Python.

Innhold

• Supervised learning: decision trees, kunstige neural nett, Bayesian læring
• Unsupervised learning: K-means clustering, hierarchical clustering, principal components
• Introduksjon til reinforcement læring
• Real-world anvendelse av maskinlæring (f.eks selvkjørende biler, medisinsk bildeprosessering, tale/språkprosessering, e.l.)

Læringsutbytte

Etter fullført emne skal studenten:

• ha en grunnleggende forståelse av konsepter innen maskinlæring, inkludert supervised, unsupervised og reinforced læring
• kunne anvende maskinlæringsalgoritmer på datasett vet hjelp av ferdige programpakker for maskinlæring.
• kunne utføre eksperimenter og empirisk evaluere og sammenligne forskjellige maskinlæringsalgoritmer.
• ha forståelse og være kjent med industrielle problemstillinger og løsninger knyttet til maskinlæring.

Vilkår for å gå opp til eksamen

Obligatoriske øvinger/prosjekter. Mengde og type angis ved oppstart.

Undervisnings- og læringsformer

Arbeidsformene i emnet er forelesninger, egenstudium, øvinger og obligatoriske oppgaver og prosjekt. Oversikt over obligatoriske oppgaver og prosjekt gis ved kursstart.

Gjennomsnittlig arbeidsmengde: 135 timer.

Studentevaluering

Emneansvarlig i samråd med studenttillitsvalgt fastsetter evalueringsform og om emnene skal ha midtveis- eller sluttevaluering, jf. kvalitetssystemet kapittel 4.1. Informasjon om evalueringsform for emnet publiseres i Canvas.

Tilbys som enkeltemne

Ja, forutsatt ledige plasser.

Eksamen

Individuell prosjektoppgave. Vurderingsuttrykk: bestått/ikke bestått.