Maskinlæring (E-ELE501)

Innhold

Kurset starter med en introduksjon til den grunnleggende teorien, Bayes desisjonsteori. Denne statistiske og matematisk baserte teorien lar oss bestemme diskriminantfunksjoner og gjennom disse optimale desisjonsfunksjoner for å skille mellom dataelementer, representert av såkalte egenskapssvektorer.

Diskriminantfunksjonene må estimeres fra data. Dette vil bli gjort ved å estimere de underliggendestatistiske funksjonene direkte eller ved å estimere funksjonenes polynomkoeffisienter direkte. For å gjøre dette bruker vi iterative gradientnedstigningsteknikker. Kurvetilpasning ved regresjonsanalyse presenteres også i denne sammenhengen. Videre presenteres nevrale nettverk og også noen varianter av dype nevrale nettverksarkitekturer. Til slutt presenteres metoder for å evaluere klassifiseringsytelse. Teori og laboratorieøvelser vil følge emnets progresjon.

Læringsutbytte

På slutten av dette kurset skal studenten kunne gjenkjenne og håndtere maskinlæringsproblemer.

Studenten skal kjenne de grunnleggende matematiske prinsippene som ligger til grunn for metodene og kunne bruke et programvarebibliotek som SciKit-Learn for å løse problemer. Studenten skal kunne trene en maskinlæringsmodell ved hjelp av et representativt datamateriale og sørge for at det er i stand til å håndtere nye data.

Forkunnskapskrav

Anbefalte forkunnskaper

Det vil være anbefalt at studenter som ønsker å følge kurset bør ha grunnleggende matematiske forkunnskaper innen lineær algebra og statistikk. Laboratoriedelen av kurset benytter Scientific Python.

De som følger kurset bør derfor også ha grunnleggende ferdigheter innen programmering, helst med Scientific Python.

Eksamen / vurdering

Vilkår for å gå opp til eksamen/vurdering

Fagperson(er)

Emneansvarlig:

Instituttleder:

Åpent for

Emneevaluering

Litteratur