0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

Studentene er svært godt fornøyd med emnet:<ul><li>gode forelesninger og godt lagt opp fag</li><li>gode øvinger</li><li>fornøyd med valget av rammeverk (pytorch i stedet for tensorflow)</li><li>åpen prosjektoppgave</li></ul>

Læringsutbyttet er oppdatert og relevant.

Godt læringsmiljø, og studentene er motiverte til å jobbe med emnet. Noe av stoffet har vært utfordrende for noen studenter. Video av siste forelesning manglet.

Studentene er fornøyd med at de blir vurdert gjennom et praktisk prosjekt. Derimot kunne veiledningstimene vært planlagt tidligere, og ikke fra uke til uke. Litt ujevn vanskelighetsgrad på noen av øvingene. I spesielt en øving var det vanskelig å finne fagressurser for.

NTNU:TIA:REST

Institutt for datateknologi og informatikk

Department of Computer Science

Norsk

Anbefalte forkunnskaper

Mer om vurdering

Arbeidskrav:
Det gis obligatoriske øvinger som alle må være godkjente.

Vurdering:
Sluttkarakteren settes på grunnlag av prosjektet.

Ny/utsatt vurdering:
Emnet undervises siste gang høsten 2020 - nye prosjekter arrangeres ikke.


Faglig innhold

Datarepresentasjon: representasjon av ulike datakilder som bilder, lyd og tekst, aktuelle teknikker for prosessering av data. 
Unsupervised learning: ulike clustering algoritmer, reduksjon av dimensjoner, og andre aktuelle metoder.
Supervised learning: blant annet logistisk regresjon og forskjellige typer nevrale nettverk.

Kursmateriell

Programmeringseksempler, presentasjoner og bruksanvisninger med hjelpelitteratur gjennom eksterne ressurser.

Læringsformer og aktiviteter

Læringsutbytte

Kunnskaper:
Kandidaten kan gjøre rede for
- ulike måter å representere data på
- ulike metoder for å gruppere og klassifisere data
- hvilke maskinlæringsmetoder som er hensiktsmessig å bruke ved gitte problemstillinger
- begrensninger ved maskinlæring

Ferdigheter:
Kandidaten kan
- lage fullverdige maskinlæringsløsninger ved hjelp av et rammeverk
- ta i bruk representasjonsalgoritmer som gjør det enklere for maskinlæringsmetoder å gi bedre resultater for et gitt datasett
- velge og tilpasse en maskinlæringsmetode som er aktuell for en gitt problemstilling
- vurdere om maskinlæringsmetoder kan gi gode resultater for en gitt problemstilling med utgangspunkt i et gitt datasett

Generell kompetanse:
Kandidaten skal kunne finne og tilpasse løsninger til nye problemstillinger basert på tidligere anvendelser av maskinlæring.


Obligatoriske øvinger

Anvendt maskinlæring med prosjekt

Informatikk

Ingeniør

Bachelor i ingeniørfag, data

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(9754)/FieldValuesAsText

Anvendt maskinlæring med prosjekt - TDAT3025