en_GB
Hold Ctrl-tasten nede. Trykk på + for å forstørre eller - for å forminske.

ELE520_1

Maskinlæring

Dette er studietilbudet for studieår 2019-2020. Endringer kan komme.


Kurset fokuserer på metoder for læring av underliggende strukturer representert i data og trening av modeller son kan gjøre prediksjoner på nye data. Slike prediksjoner kan typisk være å skille mellom ulike kategorier av data, det vil si klassifisering, som vil være hovedfokus for dette kurset.

Læringsutbytte

Etter å ha tatt dette emnet skal studenten kunne kjenne igjen problemstillinger som kan håndteres ved bruk av maskinlæringsmetoder. Videre skal studenten kunne presisere og formulere problemstillingen ved bruk av fagterminologien som er tilegnet gjennom kurset. Løsning av problemet innebærer at studenten skal kunne implementere en klassifiserer ved å trene denne opp ved hjelp av et representativt datasett og gjøre denne i stand til å håndtere innkommende data. Studenten skal kunne håndtere ulike typer klassifiserere og kjenne teorien for disse slik at spesialtilpassede løsninger skal kunne utvikles.

Innhold

Kurset starter med å gi en innføring i den grunnleggende teorien, Bayes desisjonsteori. Denne statistisk funderte teorien lar oss definere optimale desisjonsgrenser for å kunne skille dataelementene, representert ved såkalte egenskapsvektorer, fra hverandre. Disse desisjonsgrensene er optimale i forhold til at de minimerer den forventede feilraten eller mer generelt, forventet risiko. Den innledende teorien forutsetter at de statistiske funksjonene som beskriver dataene i de ulike klassene er kjent. I praksis vil dette som regel ikke være tilfelle, og derfor må disse funksjonene estimeres ved bruk av parametriske og ikke-parametriske metoder. Alternativt til å estimere de statistiske funksjonene direkte, kan en estimere koeffisientene i polynomer som beskriver desisjonsgrensene direkte. Dette introduseres med lineære diskriminantfunksjoner hvor en søker å bestemme de polynomkoeffisientene som minimerer feilraten uttrykt ved en kriteriefunksjon. Til denne minimeringen benyttes iterative nedstigningsteknikker. Kurvetilpasning ved regresjonsanalyse presenteres også i denne sammenhengen. Videre presenteres nevrale nett som kan benyttes til å løse problemer der lineære diskriminantfunksjoner ikke strekker til. Som en del av dette vil en også diskutere dype nevrale nett, som er utgangspunktet for dyplæring. I teknikkene presentert så langt forutsetter en at dataenes klassetilhørighet er kjent. Ved bruk av klyngeinndeling antas ikke lenger noe om klassetilhørighet og en søker å finne naturlige grupperinger i datamaterialet. Til slutt presenteres metoder for å evaluere klassifiserere. Et annet viktig trekk ved klassifisering er hvordan datamaterialet karakteriseres ved egenskapsvektorer. Underveis i kurset vises illustrerende eksempler fra pågående forskningsprosjekter innen biomedisink dataanalyse.

Forkunnskapskrav

Ingen.

Anbefalte forkunnskaper

BID230 Grunnleggende programmering, ÅMA100 Matematiske metoder 1, ÅMA110 Sannsynlighetsregning med statistikk, ÅMA260 Matematiske metoder 2

Eksamen/vurdering

Vekting Varighet Karakter Hjelpemiddel
En skriftlig prøve1/14 timerA - FIngen trykte eller håndskrevne hjelpemidler tillatt. Godkjent, enkel kalkulator tillatt.

Vilkår for å gå opp til eksamen/vurdering

Øvingsoppgaver
Obligatoriske arbeidskrav (som innlevering, laboratorieoppgaver, prosjektoppgaver og lignende) skal være godkjent av faglærer innen angitt frist.

Fagperson(er)

Emneansvarlig
Trygve Christian Eftestøl
Faglærer
Ketil Oppedal
Instituttleder
Tom Ryen

Arbeidsformer

8 timer per uke typisk fordelt på 4 timer forelesning, 2 timer dataøvinger og 2 timer teoretiske regneøvinger pr. uke. Varianter av dette vil kunne forekomme.
Det er viktig å jobbe med regne- og dataøvinger for å få erfaring med bruk av metodene som undervises slik at metodene senere kan anvendes. 85% av obligatoriske av hver type dataøvinger og regneøvinger kreves bestått.

Overlapping

Emne Reduksjon (SP)
Mønstergjenkjenning (MIK190_1) 10

Åpent for

Masterstudenter ved det teknisk-naturvitenskapelige fakultet.

Emneevaluering

Skjer vanligvis gjennom skjema og/eller samtaler i henhold til gjeldende retningslinjer

Litteratur

S. Theodoridis: Machine Learning - A Bayesian and Optimization Perspective.
I tillegg elektroniske artikler og notat som gjøres tilgjengelig på Canvas ved semesterstart.


Dette er studietilbudet for studieår 2019-2020. Endringer kan komme.

Sist oppdatert: 17.08.2019

Historikk