Introduksjon til maskinlæring

Etter fullført emne skal du:

• 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

Generell studiekompetanse.

Anbefalte forkunnskaper
Programmeringskunnskaper, gjerne i Python.

Arbeidsformer og arbeidsomfang

Dette tilbudet gjennomføres i en kombinasjon av fysiske samlinger og digital undervisning. 
Prosjekt/øvinger/egeninnsats: Det kjøres prosjekter gjennom kurset som må være gjennomført og godkjent for å kunne ta eksamen.

Undervisningsplan IKT901 Introduksjon til maskinlæring

Hver dag vil ha en teoridel, og en programmeringsdel. Hver sesjon består av forelesning og øving, til sammen fire timer. Elevene vil få erfaring med å programmere praktiske intelligente algoritmer de kan bruke i hverdagen. Faget avsluttes med et prosjekt hvor studentene selv kan fordype seg i valgt emne. Det kreves ingen forhåndskunnskaper, men dersom studentene ikke kan programmere, må det forventes litt egeninnsats.

Sesjon 1:

• Kunstig intelligens, maskinlæring, data mining og smarte algoritmer.
• Forskjellen på overvåket, uovervåket, delvis overvåket og forsterkningslæring.
• K-nærmeste nabo
• Hvordan evaluere en algoritme.

Sesjon 2:

• Forklarbare algoritmer
• Beslutningstre og random forrest.

Sesjon 3:

• Avanserte algoritmer
• Nevrale nettverk

Sesjon 4:

• Enkle optimale algoritmer
• Support Vector Machine

Sesjon 5:

• Uovervåket læring
• Clustering
• AutoEncoder

Sesjon 6:

• Forsterkningslæring

Sesjon 7:

• Bildeanalyse
• Convolutional nevrale nettverk

Sesjon 8:

• Tidsserier og språk
• Recurrent nevrale nettverk

Eksamen

En prosjektoppgave. Karakter bestått/ikke bestått.