KIUA1001 Maskinlæring I

    • Studiepoeng
      10
    • Undervisningssemestre
      2025 Vår
    • Undervisningsspråk
      Norsk/Engelsk
    • Undervisningssted
      Hamar
    • Forkunnskapskrav

      Ingen.

Emnets innhold

Dette emnet gir studentene en omfattende forståelse av konseptene og teoriene som ligger til grunn for maskinlæring, inkludert ulike typer maskinlærere og spesifikke maskinlæringsmetoder. Kurset tar også sikte på å utvikle tekniske ferdigheter innen programvareteknikk og datavitenskap, samt ferdigheter i kommunikasjon og problemløsning. Studentene vil være i stand til å analysere, manipulere og tolke data ved hjelp av maskinlæringsteknikker, anvende maskinlæringsteknikker for å løse problemer i den virkelige verden med et helhetlig verdensbilde, vurdere implikasjonene av underliggende kausaliteter avledet fra en systemtenkning og systemanalyse, og kan arbeide selvstendig eller i team for å utvikle maskinlæringsmodeller.

Læringsutbytte

Ved bestått emne har studenten oppnådd følgende læringsutbytte:

Kunnskap

Studenten har:

  • kunnskap om forståelse av begrepene og teoriene som ligger til grunn for maskinlæring
  • kunnskap om ulike typer grunnleggende maskinlæringsalgoritmer
  • kunnskap om detaljene i spesifikke maskinlæringsmetoder
  • kunnskap om grunnleggende prinsipper for systemtenkning, systemanalyse og kausalitetskartlegging
Ferdigheter

Studenten kan:

  • formulere læringsproblemer og begreper om representasjon, overtilpasning og generalisering
  • analysere, manipulere og tolke data ved hjelp av maskinlæringsteknikker
  • analysere og strukturere komplekse systemer, og sortere ut når kausalitet er nødvendig for å veilede bruken av AI-algoritmer
  • identifisere passende maskinlæringstilnærminger for virkelige applikasjoner basert på bruken av kunnskap om prinsippene for systemtenkning, systemanalyse og kausalitetskartlegging
Generell kompetanse

Studenten kan:

  • kartlegge komplekse systemer og forstå hvordan ulike variabler (data) er knyttet til hverandre
  • maskinlæringsteknikker for å løse grunnleggende reelle problemer
  • jobbe selvstendig og i team for å utvikle maskinlæringsmodeller
  • anvende systemtenkning og analyse av problemer og utfordringer ved kunstig intelligens
Arbeids- og undervisningsformer

Emnet er gjennomført som en kombinasjon av forelesninger, praktiske øvelser, selvstudium og veiledning.

Arbeidskrav
  • 2 individuelle obligatoriske arbeidskrav
  • deltakelse i undervisning og lab-øvelser i henhold til undervisningsplanen for emnet
Vurdering

Vurdering

  • 1 prosjektbasert oppgave i gruppe eller individuelt

 

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
Vurderinger
VurderingsordningKarakterskalaGruppe/individuellVarighetHjelpemidlerAndelKommentar
Oppgave
ECTS - A-F
Gruppe/Individuell
  • Alle
100
Bruk av KI-generert tekst og innhold skal være avklart med faglærer, klart merket og akademisk begrunnet i besvarelsen.
Fakultet
Fakultet for audiovisuelle medier og kreativ teknologi
Institutt
Institutt for spillutdanninger - Spillskolen