ITI43210 Maskinlæring (Vår 2016)

Emnet er tilknyttet følgende studieprogram

 Valgemne i masterstudiet i anvendt informatikk.

Undervisningssemester

2. semester (vår)

Studentens læringsutbytte etter bestått emne

Kunnskap
Etter endt emne har studenten

• oversikt over alle de viktigste metodene innen maskinlæring og dypere kunnskaper om tre av dem, nemlig beslutningstrær, nevrale nettverk og evolutionary computation.
• kunnskap om de utfordringer som i praksis finnes med data mining, for eksempel overfitting, manglende verdier og klassifiseringer som har forskjellig kostnad.
• fått bedre kunnskaper i grunnleggende emner som numerisk optimering og statistiske metoder relatert til machine learning, for eksempel Bayesianske metoder brukt av søkemotorer som Google og i spam filter.
  

Ferdigheter
Etter endt emne kan studentene

• tilrettelegge eller kode om data slik at det passer for data mining og maskinlæringsalgoritmer.
• velge rett verktøy for en gitt type data.
• avgjøre hvor gode resultater man faktisk har ved hjelp av enkel statistisk analyse av for eksempel klassifiseringsnøyaktighet.
• bruke maskinlæring i praktiske applikasjoner og selv kunne overføre maskinlærings modeller til kode i et programmeringsspråk.

Generell kompetanse
Kandidaten har

• bedret sin evne til utvikling og forskning og finner selv referanser og skjønner disse godt
• evne til vitenskaplig skriving på engelsk som legger grunnen for å kunne skrive en masteroppgave
• bedret sin kompetanse til å behandle og analysere data av vilkårlig type, selv om dette gjøres uten bruk av induktiv læring
  
  

Innhold

Maskinlæring innebærer at datamaskiner lærer seg gjennom trening og erfaring istedenfor å bli eksplisitt programmert for en gitt oppgave. Studenten skal i dette emnet bli kjent med flere forskjellige metoder og algoritmer for maskinlæring. Ut fra dette skal studenten kunne velge noen passende av disse metodene når han eller hun står overfor et nytt problem der maskinlæring kan brukes.

Emnet gir forståelse for grunnleggende egenskaper som er felles for alle metoder for maskinlæring. Noen eksempler på slike egenskaper er generaliserende evne og heuristisk søking.

Emnet inneholder tre prosjekter, et for beslutningstrær, regler og regresjonsanalyse, et for nevrale nett og et for evolutionary computation.

Induksjon av beslutningstrær og noen applikasjoner som medisinsk diagnostikk og kredittvurdering.

Kunstige nevrale nett og treningsalgoritmer for dem, for eksempel steepest descent og trust region Newton metoder som er klassiske teknikker for numerisk optimering. Applikasjoner som behandling av lyd og bilder.

Grunnleggende teori for maskinlæring som Bayes formel, maximum likelihood og minimum description length prinsippet.

Instanse basert læring, for eksempel nearest neighbour, lokalt vektet regresjon og radielle basisfunksjoner.

Evolutionary computation, spesielt genetiske algoritmer og genetisk programmering. Generelle prinsipper for evolusjon. Seleksjonsmetoder og genetiske operatorer som mutasjon og overkryssning. Baldwin-effekten.

Noen av emnets temaer trenger elementær informasjonsteori og statistikk. Dette undervises etter behov.

Undervisnings- og læringsformer

Forelesninger og veiledning med møteplikt.

Arbeidsomfang

2 timer forelesning samt veiledning pr uke.

Eksamen

Mappevurdering og individuell hjemmeeksamen
Eksamen består av to deleksamener; mappevurdering og individuell hjemmeeksamen.

Deleksamen 1: Mappen (teller 65 %) består av:

• ett prosjekt innen beslutningstrær
• ett prosjekt innen nevrale nett
• ett prosjekt om automatisk programmering

Prosjektene kan gjennomføres individuelt eller i grupper på to og to studenter. Det gis individuell karakter.

Deleksamen 2: Individuell hjemmeeksamen er en 3 dagers eksamen med teorispørsmål (teller 35 %).

Det settes en samlet, individuell karakter i emnet. Det benyttes karakterskala A - F.

Ved ny eller utsatt eksamen kan hver eksamensdel tas på nytt. Ved ny eller utsatt eksamen avtales prosjektleveransene og ny hjemmeeksamen med emneansvarlig.

Evaluering av emnet

Dette emnet evalueres på følgende måte:

- Midtsemesterevaluering (frivillig)
- Sluttevaluering (obligatorisk)

Den emneansvarlige lager en emnerapport på bakgrunn av studentenes tilbakemeldinger og sine egne erfaringer med emnet. Emnerapporten behandles av studiekvalitetsutvalget ved avdeling for informasjonsteknologi.

Litteratur

Litteraturlisten sist oppdatert 15. oktober 2015.

Kuhn, Max og Johnson, Kjell, "Applied Predictive Modeling" (2013), 1st Ed., Springer-Verlag New York, ISBN 978-1-4614-6848-6