ADA511 Datavitenskap og data-drevet utvikling

Innhold og oppbygning

Kurset vil introdusere grunnlaget for maskinlæring og kunstig intelligens.

Kurset vil gå gjennom begrensningene og forutsetningene som må tilfredsstilles av arkitekturen og treningsmetoden for enhver maskinlæringsalgoritme, slik at algoritmen gir optimale og selv-konsistente resultater. Det er ikke nødvendig med tekniske forkunnskaper i maskinlæring, dette vil introduseres i kurset.

Mer generelt, vil kurset gi de grunnleggende reglene som styrer en kunstig intelligens-basert agent, for at beslutningstakingen skal være rasjonell, logisk, og optimal. Kurset vil også gi et innblikk i spillteori, strategier, og representasjon av kunnskapsbaser.

Som student vil du lære å konstruere en "optimal prediksjonsmaskin", som er den uslåelige algoritmen som har den maksimale mulioge ytelsen for en gitt oppgave. I kurset vil vi se hvordan dagens maskinlæringsalgoritmer forsøker å tilnærme, på ulike måter, denne optimale maskinen. Sammen vil vi utforske hvordan fremtidige teknologier kan brukes til å lage nye algoritmer som ytterligere forbedrer tilnærmingen til den optimale løsningen.

Du vil selv skrive for en enkel optimal maskin, anvende den på enkle datasett, og evaluere yelsen sammenlignet med populære maskinlæringsalgorithmer som nevrale nettverk og beslutningstrær. Du vil også ha muligheten til å bygge mer komplekse optimale modeller i et eget prosjekt.

En intuitiv måte å forstå kurset på, er å se for seg ulikheten mellom kunnskapen til en ingeniør hos en bilprodusent, og en blimekaniker. I dette kurset vil du tilegne deg kunnskapen som kreves for å bli en "dataanalyse-ingenør", fremfor en "datamekaniker".

Læringsutbytte

Kunnskap og generell kompetanse:

Etter å ha fullført kurset, kan studenten

• De grunnleggende reglene og formlene som felles for alle maskinlæringsalgoritmer.
• Metrikkene og metodene som brukes for å evaluere og sammenligne maskinlæringsalgoriter, og hvilke som er passende for ulike situasjoner.
• Grunnlaget for kunnskapsrepresentasjon i en agent basert på kunstig intelligens
• Det grunnleggende rammeverket for inferense og beslutningstaking

Ferdigheter:

Studenten kan

• Utnytte nye teknologier for å bygge fremtidens maskinlæringsalgoritmer og kunstig intelligens, muligens svært ulike de oms finnes i dag.
• Forbedre eksisterende maskinlæringsalgoritmer.
• Forstå og beregne de maksimale ytelsesgrensene for eksisterende maskinlæringsalgoritmer.
• Forklare hvordan maskinlæringsalgoritmer fungerer som de gjør.
• Forstå, forhindre og korrigere for bias og mangler i data som brukes til å trene maskinlæringsalgoritmer.
• Forstå og analysere problemstillinger innen prediksjon og beslutning.

Krav til forkunnskaper

Ingen

Anbefalte forkunnskaper

Erfaring med programmering i Python eller R er en fordel, men ikke et krav.

Erfaring med at løse algebraiske ligninger, matrisepultiplikasjon, integrasjon. Disse er nødvendige å kunne, for å være i stand til å programmere algoritmene i kurset.

Undervisnings- og læringsformer

Forelesninger, case studies, gruppe-presentasjoner og gruppe-veiledning av prosjektarbeid, gjesteforelesninger.

Obligatorisk læringsaktivitet

En obligatorisk innlevering.

Arbeidskravet må være godkjent for at studenten skal få å gå opp til eksamen.

Vurderingsform

1. Gruppeprosjektoppgave med sluttrapport, regnes som 50% av sluttvurderingen.

2. Muntlig eksamen basert på presentasjon av sluttrapport, regnes som 50% av sluttvurderingen.

Begge deler må være bestått for å få karakter i emnet.

Karakterskala A-F, der F svarar til ikkje bestått.

Hjelpemidler ved eksamen

Alle hjelpemiddel er tillatt.

Mer om hjelpemidler