KIUA1006 Maskinlæring II
- EmnekodeKIUA1006
- Studiepoeng10
- Undervisningssemestre2025 Høst
- UndervisningsspråkNorsk/Engelsk
- UndervisningsstedHamar
- Forkunnskapskrav
Anbefalt: KIUA1001 Maskinlæring I, KIUA1006 Programmering II og KIUA1004 Sannsynlighet og statistikk.
Emnet gir grunnleggende kunnskap og ferdigheter innen avansert maskinlæring. Studentene vil få en forståelse av avanserte maskinlæringskonsepter og teorier, dyplæringsarkitekturer og algoritmer, naturlig språkbehandling og Computer Vision-teknikker, og de etiske implikasjonene av maskinlæring. De vil også utvikle tekniske ferdigheter innen datavitenskap, og rammeverk for dybdelæring, samt ferdigheter i kommunikasjon og problemløsning. Det blir benyttet eksempler fra den virkelige verden der interaktiv simulering har blitt brukt i AI-sammenheng, for eksempel optimalisering av forsyningskjedelogistikk med AI, forståelse av tilbakemeldingssløyfer i sosiale medier-algoritmer og vekst og spredning av AI-teknologier.
Læringsutbytte
Ved bestått emne har studenten oppnådd følgende læringsutbytte:
Studenten har
- kunnskap om prinsippene for dyplæringsarkitekturer og algoritmer som konvolusjonelle nevrale nettverk (CNN), tilbakevendende nevrale nettverk (RNN) og generative adversarielle nettverk (GAN)
- generell kunnskap om naturlig språkbehandling og Computer Vision-teknikker som sentimentanalyse, nemlig enhetsgjenkjenning, bildesegmentering og ansiktsgjenkjenning
- kunnskap om de etiske implikasjonene av maskinlæring som skjevhet, rettferdighet, personvern og sikkerhet
- kunnskap om tilbakemeldingssløyfer, beholdninger og flyter, forsinkelser og hvordan disse komponentene kan brukes til å modellere virkelige systemer
Studenten kan
- forhåndsbehandle og forberede data for maskinlæring, inkludert datarensing, håndtering av manglende verdier, funksjonsvalg og dimensjonalitetsreduksjon, ved å anvende datanormalisering og skaleringsteknikker
- implementere maskinlæringsmodeller ved å bruke passende programmeringsspråk og biblioteker og være i stand til å evaluere modellytelse, justere hyperparametre og velge passende modeller for forskjellige oppgaver
- tolke og kommunisere maskinlæringsresultater for å analysere modellresultater, visualisere data og effektivt kommunisere innsikt og funn til både tekniske og ikke-tekniske interessenter
- identifiserer virkelige problemer som kan løses med maskinlæringsmetoder i et systemperspektiv
- bruke CLD-er for å beskrive tilbakemeldingsløkkene i tilbakevendende nevrale nettverk (RNN, CNN og GAN)
Studenten kan
- analysere, manipulere og tolke komplekse data ved hjelp av maskinlæringsteknikker som CNN-er, RNN-er og GAN-er
- utvikle og implementere maskinlæringsmodeller for virkelige applikasjoner ved å bruke de grunnleggende dybdelæringsrammene
- fremme en tankegang med kontinuerlig læring og tilpasningsevne innen maskinlæring for å gjenkjenne feltets dynamiske natur og være forberedt på å oppdatere kunnskap og ferdigheter etter hvert som nye teknikker og algoritmer dukker opp
- Kommunisere ideer og bidra til kollektiv problemløsning i maskinlæringsprosjekter gjennom gruppeprosjekter og -oppgaver
Emnet er gjennomført som en kombinasjon av forelesninger, praktiske øvelser, selvstudium og veiledning.
| Vurderingsordning | Karakterskala | Gruppe/individuell | Varighet | Hjelpemidler | Andel | Kommentar |
|---|---|---|---|---|---|---|
Oppgave | ECTS - A-F | Gruppe | 100 |
- 1 prosjektbasert oppgave i gruppe
Oppgaven vurderes med graderte bokstavkarakterer fra A-F, der E er laveste ståkarakter.
Studenten kan velge hvilket språk som benyttes i egen gjennomføring av eksamen. Valg er bokmål, nynorsk eller engelsk.
Tillatte hjelpemidler
- Litteratur
- Alle trykte og skrevne ressurser
- Bruk av KI-generert tekst og innhold skal være avklart med faglærer, klart merket og akademisk begrunnet i besvarelsen