0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

NTNU:TIA:REST

Institutt for datateknologi og informatikk

Department of Computer Science

Engelsk

Mer om vurdering

Sluttkarakteren er basert på skriftlig skoleeksamen 100 %. Studentene må ha bestått fra obligatorisk gruppearbeid for å kunne ta eksamen. Oppgaveteksten til den skriftlig eksamen vil være på engelsk. Kandidatene kan velge å besvare på engelsk eller norsk. Ved utsatt eksamen (kontinuasjonseksamen) kan skriftlig eksamen bli endret til muntlig eksamen. 

Anbefalte forkunnskaper

Emne TDT4145 Datamodellering og databasesystemer, eller tilsvarende kunnskaper.Grunnleggende kunskap om maskinlæring.

Faglig innhold

Content based og collaborative filtering. Hybrid og context-aware anbefalingssystemer. Evaluering anbefalingssystemer. Evaluering av anbefalingssystemer. Semantisk Web og ontologier. Åpne, lenkede data for deling og samarbeid. Lingvistiske og statistiske teknikker for tekstmining og innholdsanalyse. Etisk av anbefalingssystemer.

Kursmateriell

Læringsutbytte

Kunnskaper: Content based og collaborative filtering. Hybrid og context-aware anbefalingssystemer. Evaluering anbefalingssystemer. Etisk av anbefalingssystemer. Basisteknikker og semantiske språk for konstruksjon av ontologier og åpne data. POS/NER-tagging, sentimentanalyse og andre teknikker i innholdsanalyse. Innholdsbaserte anbefalingssystemer. Ferdigheter: Evne til å bruke semantiske teknologier og åpne data til å analysere ustrukturert innhold på web og lage anbefalingssystemer og evaluere dem. Generell kompetanse: Studentene skal få innsikt i hvordan å lage anbefalingssystemer og evaluere dem, hvordan å bruke semantikk og åpne data brukes til å ekstrahere, representere og tilgjengeliggjøre kunnskap med anbefaligsystemer.

Læringsformer og aktiviteter

Forelesninger, øvinger og gruppearbeid. Kurset blir forelest på engelsk.

Gruppearbeid

Anbefalingssystemer

Informatikk

Teknologiske fag

Datateknologi - masterstudium (5-årig)

Informasjonsteknologi - doktorgrad (ph.d.)

Datateknologi - masterstudium (2-årig)

Master of Science in Informatics

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(23487)/FieldValuesAsText

I didn't have a previous evaluation.

The course has been mostly digital for the last two years due to COVID-19 pandemic. This year we have organized some physical gatherings for exercise classes and office time with TAs for the supervision of the group work. However physical gatherings were not popular. The lectures (including guest lectures from industry and academia) were digital. Regular lectures has been recorded and made available for the students. Unfortunately the attendance was very poor. Statistics of the lecture recordings show that the students preferred to watch the lectures later. Guest lectures were not recorded in order to increase the attendance and stimulate the live discussions. Group work is an important part of this course enabling students to implement a recommender system, evaluate it and write a report. The digital setting of the course made the group work difficult for students. Even though they were allowed to meet in person and encouraged to attend the supervision sessions in person, not many students did that. There is a mandatory mid-term presentation for students to show their progress in group project. The feedback from the students showed that it could be better to set more deadlines so all the group members will keep up with a certain pace.The topics included in this course varies a lot due to the large number of techniques used in recommender systems. In addition to the basics of the recommender systems, we go into topics like semantic web and natural language processing. Also, we discuss the privacy and other ethical aspects of recommender systems which is a crucial topic in all AI related courses. Feedback from the students show that they like this variety. Slight changes are made in the curriculum each year to make sure that the topics are up to date and relevant. In addition to the course book, different research papers are presented to the students.

Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.

Oppgaveteksten til den skriftlig eksamen vil være på engelsk. Kandidatene kan velge å besvare på engelsk eller norsk. Ved utsatt eksamen (kontinuasjonseksamen) kan skriftlig eksamen bli endret til muntlig eksamen. Dersom studenten også etter utsatt eksamen har sluttkarakteren F/ikke-bestått, må studenten gjenta hele emnet neste studieår. Arbeider som teller med i sluttkarakteren må gjentas.

Emne TDT4145 Datamodellering og databasesystemer, eller tilsvarende kunnskaper.

Forvaltning av kunnskaper i web-baserte løsninger.  Semantisk Web og ontologier. Åpne, lenkede data for deling og samarbeid. Lingvistiske og statistiske teknikker for tekstmining og innholdsanalyse. Semantiske anbefalingssystemer. 

Kunnskaper: Content based og collaborative filtering. Evaluering anbefalingssystemer. Basisteknikker og semantiske språk for konstruksjon av ontologier og åpne data. RDF(S) og OWL. SPARQL spørrespråk. POS/NER-tagging, sentimentanalyse og andre teknikker i innholdsanalyse. Innholdsbaserte anbefalingssystemer. Ferdigheter: Evne til å bruke semantiske teknologier og åpne data til å analysere ustrukturert innhold på web og lage semantiske anbefalingssystemer og andre intelligente løsninger. Evne til å definere ontologier som kan utvides og gjenbrukes av andres applikasjoner. Generell kompetanse: Studentene skal få innsikt i hvordan semantikk og åpne data brukes til å ekstrahere, representere og tilgjengeliggjøre kunnskap på web, samt hvordan de kan brukes i intelligente applikasjoner.

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(17975)/FieldValuesAsText

TDT4215 Recommender systems course focuses on different recommender systems techniques:Content based and collaborative filtering methods. Hybrid and context-aware recommender systems. Similarity and prediction functions. Evaluation methods of recommender systems. Semantic Web and ontologies. Open linked data for sharing and collaboration. Linguistic and statistical techniques for text mining and content analysis. Semantic recommender systems. Ethical aspects of recommender systems.

The students learn the topics mentioned above. In addition they implement a recommender system to gain the ability to pre-process/analyze unstructured web content, build a recommender system and evaluate the system. General competence: Students will learn how recommender systems work, how to use different methods to build and evaluate recommender systems, as well as how to analyse and use unstructured content in recommender systems.

Lectures with presentations. Group work to implement a recommender system and write a report. Exercise classes. Guest lectures from industry and academia.

Mappevurdering gir grunnlag for sluttkarakter i emnet. I mappen inngår avsluttende skriftlig prøve (75%) og øvinger/arbeider (25%). Resultatet for delene angis i %-poeng, mens sensur for hele mappen (sluttkarakteren) angis med bokstavkarakter. Oppgaveteksten til den skriftlig eksamen vil være på engelsk. Kandidatene kan velge å besvare på engelsk eller norsk. 
Ved utsatt eksamen (kontinuasjonseksamen) kan skriftlig eksamen bli endret til muntlig eksamen.
Dersom studenten også etter utsatt eksamen har sluttkarakteren F/ikke-bestått, må studenten gjenta hele emnet neste studieår. Arbeider som teller med i sluttkarakteren må gjentas.

Forelesninger og øvinger. Kurset kan bli forelest på engelsk dersom det tas av studenter uten norskkunnskaper. 

Kunnskaper: Basisteknikker og semantiske språk for konstruksjon av ontologier og åpne data.  RDF(S) og OWL. SPARQL spørrespråk.  POS/NER-tagging, sentimentanalyse og andre teknikker i innholdsanalyse.  Innholdsbaserte anbefalingssystemer. 

Ferdigheter:  Evne til å bruke semantiske teknologier og åpne data til å analysere ustrukturert innhold på web og lage semantiske anbefalingssystemer og andre intelligente løsninger.  Evne til å definere ontologier som kan utvides og gjenbrukes av andres applikasjoner.

Generell kompetanse: Studentene skal få innsikt i hvordan semantikk og åpne data brukes til å ekstrahere, representere og tilgjengeliggjøre kunnskap på web, samt hvordan de kan brukes i intelligente applikasjoner.

Informasjons- og kommunikasjonsteknologi - doktorgrad (ph.d.)

Informatikk - årsstudium

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(12405)/FieldValuesAsText

Anbefalingssystemer - TDT4215