course-details-portlet

TDT4173

Moderne maskinlæring i praksis

Velg studieår
Studiepoeng 7,5
Nivå Høyere grads nivå
Undervisningsstart Høst 2025
Varighet 1 semester
Undervisningsspråk Engelsk
Sted Trondheim
Vurderingsordning Mappe/sammensatt vurdering

Om

Om emnet

Faglig innhold

Emnet gir en mer omfattende innføring i prinsippene og teknikkene for maskinlæring (ML) for å utvikle ML-systemer som kan brukes i praksis. Temaer som dekkes inkluderer grunnleggende prinsipper innen ML, moderne prediksjonsmodeller med fokus på ensemble-læring og viktige steg i utviklingsprosessen, inkludert databehandling, utforskende dataanalyse, datarensing, utvikling av dataegenskaper og modellfortolkning. Kurset tar også for seg modellvurdering, reproduksjon, automatisert ML og spesialiserte metoder for tidsseriedata.

Læringsutbytte

Kunnskap: Studentene vil forstå sentrale konsepter, metoder og etiske betraktninger innen maskinlæring som er relevante for å bygge praktiske applikasjoner.

Ferdigheter: Studentene vil kunne bruke eksisterende verktøy for maskinlæring til å forhåndsbehandle data, velge modeller, evaluere ytelse og utvikle applikasjoner for virkelige problemer.

Generell kompetanse: Studentene vil lære å samarbeide i team, anvende maskinlæring på en ansvarlig måte og tilpasse verktøy for å løse praktiske problemer effektivt.

Læringsformer og aktiviteter

Forelesninger, gruppearbeid, kollokvier og selvstudium.

Mer om vurdering

Emneevalueringen består av to deler:

Individuell oppgave: Omtrent en måned etter semesterstart må hver student fullføre en individuell oppgave. Hver student får to muligheter til å bestå oppgaven; i tilfelle av et andre forsøk, vil det bli trukket 5 % av den totale skåren. Studenter som ikke består oppgaven på noen av de to forsøkene, vil få karakter 'F' (stryk) som endelig karakter i emnet.

Kursprosjekt: Studentene som består den individuelle oppgaven er kvalifisert til å gå videre til prosjektet. Dette vurderes som et teamarbeid, der hvert team består av maksimalt tre studenter. Prosjektkarakteren settes basert på grunnpoeng (varierende fra maksimalt 100 % til minimum 41 %) med potensielle prosjekttrekk (varierende fra 0 % til -17 %). Grunnpoeng er proporsjonale med antall virtuelle team (VT-er) som studentteamet overgår når det gjelder prediksjonsytelse. VT-ene settes sammen av foreleser og læringsassistenter. Hvis et studentteam ikke overgår noen VT-er, teller prosjektet som ikke bestått, hvilket fører til stryk i faget. Potensielle trekk kan inkludere forsinket prosjektlevering (innen tre dager) og utilstrekkelig dokumentasjon av viktige komponenter innen maskinlæring.

Endelige poeng avrundes til bokstavkarakterer basert på NTNU-standardintervallene.

Ved frivillig gjentak, stryk (F) eller gyldig fravær, må mappen tas på nytt i semester med undervisning.

Kursmateriell

Lærebøker:

  • Tom Mitchell: Machine learning, McGraw Hill, 1997.
  • Christopher M. Bishop: Pattern Recognition and Machine Learning, 2006
  • Dipanjan Sarkar, Raghav Bali, Tushar Sharma: Practical Machine Learning with Python: A Problem-Solver's Guide to Building Real-World Intelligent Systems, 2017

Utvalgte artikler og kodeeksempler.

Studiepoengreduksjon

Emnekode Reduksjon Fra
IT3704 7,5 sp Høst 2008
MNFIT374 7,5 sp Høst 2008
MNFIT374 7,5 sp Høst 2008
IMT4133 5 sp Høst 2023
Dette emne har faglig overlapp med emnene i tabellen over. Om du tar emner som overlapper får du studiepoengreduksjon i det emnet du har dårligst karakter i. Dersom karakteren er lik i de to emnene gis det reduksjon i det emnet som er avlagt sist.

Fagområder

  • Industriell økonomi
  • Informasjonssikkerhet
  • Informatikk
  • Psykologi
  • Statistikk
  • Teknologiske fag

Kontaktinformasjon

Emneansvarlig/koordinator

Ansvarlig enhet

Department of Computer Science