FYS9429 – Avansert maskinlæring og dataanalyse for fysiske fag

Kort om emnet

Fremskritt innen kunstig intelligens/maskinlæringsmetoder gir verktøy som har bred anvendelighet i vitenskapelig forskning. Disse teknikkene brukes på tvers av mangfoldet av forskningsfelt i moderne vitenskap, og fører til fremskritt som legger til rette for vitenskapelige oppdagelser og samfunnsmessige anvendelser.

I dette emnet fokuserer vi på avansert maskinlæring og statistiske læringsmetoder, som blir brukt i et bredt felt av problemstillinger innen fysikk og livsvitenskap - fra beregningsorientert nevrovitenskap til analyse av eksperimenter i høyenergifysikk. Vi diskuterer overvåkede og uovervåkede læringsmetoder, som strekker seg fra ulike dyplæringsmetoder til Bayesiansk modellering.

Hva lærer du?

Etter å ha fullført dette emnet skal du:

• være kjent med sentrale dyplæringsmetoder, og hvordan bruke disse i forskning.
• kjenne til avanserte regresonsalgoritmer.
• kunne forstå hvordan du kan simulere komplekse fysiske prosesser med mange frihetsgrader.
• forstå teknikker innen optimering og deres fundamentale rolle innen maskinlæring.
• være kjent med bayesiansk statistikk og bayesiansk maskinlæring.
• forstå hvordan du finner korrelasjoner i datasett, og kunne kvantifisere usikkerhet.
• forstå hvordan du kan bruke gaussiske prosesser i analyser av fysiske problemer.

Opptak til emnet

Ph.d.-kandidater ved UiO søker plass på undervisningen og melder seg til eksamen i Studentweb.

Hvis emnet har begrenset kapasitet, vil ph.d.-kandidater som har emnet i sin utdanningsplan ved UiO bli prioritert. Noen nasjonale forskerskoler kan ha egne regler for rangering av søkere til emner med begrenset kapasitet.

Ph.d.-kandidater som har opptak ved andre utdanningsinstitusjoner må innen angitt frist søke om hospitantplass.

Kapasitet: 20 studenter

Anbefalte forkunnskaper

Gode matematikk-kunnskaper er nødvendig.

Andre anbefalte emner:

• FYS-STK4155 – Anvendt dataanalyse og maskinlæring 
• IN5400 – Maskinlæring for bildeanalyse (videreført)

Overlappende emner

• 10 studiepoeng overlapp med FYS5429 – Avansert maskinlæring og dataanalyse for fysiske fag.

Undervisning

• To ukentlige forelesninger à 45 minutter hver samt to prosjekter som legger grunnlaget for endelig karakter.

Eksamen

• To prosjekter (maks. 10 sider per prosjekt) som blir evaluert. Hvert prosjekt teller 50%, og du må bestå begge prosjektene for å bestå emnet. Prosjektene leveres i Inspera.

 

Ved oppgaveskriving må du gjøre deg kjent med reglene for kildebruk og referanser. Ved brudd på reglene kan du bli mistenkt for forsøk på fusk.

Som eksamensforsøk i dette emnet teller også forsøk i følgende tilsvarende emner: FYS5429 – Avansert maskinlæring og dataanalyse for fysiske fag

Hjelpemidler til eksamen

Alle hjelpemidler er tillatt.

Karakterskala

Emnet bruker karakterskala bestått/ikke bestått. Les mer om karakterskalaen.

Adgang til ny eller utsatt eksamen

Det arrangeres utsatt eksamen i starten av neste semester for studenter som dokumenterer gyldig fravær fra ordinær eksamen.

Det arrangeres ny eksamen for studenter som ikke består ordinær eksamen.

Studenter som trekker seg under eksamen blir ikke tilbudt ny eksamen

Mer om eksamen ved UiO

• Kildebruk og referanser
• Tilrettelegging på eksamen
• Trekk fra eksamen
• Syk på eksamen / utsatt eksamen
• Begrunnelse og klage
• Ta eksamen på nytt
• Fusk/forsøk på fusk

Andre veiledninger og ressurser finner du på fellessiden om eksamen ved UiO.