FYS-STK3155 – Anvendt dataanalyse og maskinlæring
Beskrivelse av emnet
Endringer på grunn av koronaviruset
Høsten 2020 planlegger vi for at undervisning og eksamen gjennomføres slik det er beskrevet i emnebeskrivelsen og på semestersidene, men det kan komme endringer på grunn av korona-situasjonen. Du får varsler om eventuelle endringer på semestersiden og/eller i Canvas.
Våren 2020 ble undervisning og eksamen digital. Se endringer og felles retningslinjer for eksamener ved MN-fakultetet våren 2020.
Kort om emnet
Emnet gir en innføring i sentrale algoritmer og metoder som er viktige for dataanalyse og maskinlæring. Emnet er prosjektbasert og gjennom ulike prosjekter presenteres studentene for sentrale forskningstemaer i feltet.
Du lærer å utvikle og strukturere større koder hvor maskinlæring og dataanalyse er sentralt, samt anvende algoritmene og kodene for å kunne reprodusere kjente forskningsresultat og/eller studere nye system.
Hva lærer du?
Etter å ha fullført emnet, har du:
- En grunnleggende forståelse av Bayesisk statistikk og kjente sannsynsfordelinger
- En forståelse av sentrale algoritmer som brukes i dataanalyse og maskinlæring
- Kunnskap om Monte Carlo metoder, Markov-kjeder, Gibbs samplere, data optimering og deres anvendelser, fra numerisk integrasjon til simulering av aksjemarkeder
- En forståelse av linær- og ikke-linær regresjonsanalyse
- Kunnskap om nevrale nettverk, genetiske algoritmer og Boltzmann maskiner
- Erfaring i å jobbe med store numeriske prosjekter.
Opptak til emnet
Studenter må hvert semester søke og få plass på undervisningen og melde seg til eksamen i Studentweb.
Spesielle opptakskrav
I tillegg til generell studiekompetanse eller realkompetanse må du dekke spesielle opptakskrav.
Du må ha:
- Matematikk R1 (eller Matematikk S1 og S2) + R2
Og en av disse:
- Fysikk (1+2)
- Kjemi (1+2)
- Biologi (1+2)
- Informasjonsteknologi (1+2)
- Geofag (1+2)
- Teknologi og forskningslære (1+2)
De spesielle opptakskravene kan også dekkes med fag fra videregående opplæring før Kunnskapsløftet, eller på andre måter.
Anbefalte forkunnskaper
Grunnleggende kunnskap om programmering og numerikk:
Ett eller flere av følgende emner:
- INF1100 – Grunnkurs i programmering for naturvitenskapelige anvendelser (videreført)
- IN1900 – Introduksjon i programmering for naturvitenskapelige anvendelser
- MAT-INF1100 – Modellering og beregninger
- MAT-INF1100L – Programmering, modellering og beregninger (videreført)
- MAT-IN1105 – Programmering, modellering og beregninger
- IN-KJM1900 – Introduksjon i programmering for kjemikere
- BIOS1100 – Innføring i beregningsmodeller for biovitenskap
Overlappende emner
- 10 studiepoeng overlapp med FYS-STK4155 – Anvendt dataanalyse og maskinlæring.
- 3 studiepoeng overlapp med IN3050 – Introduksjon til kunstig intelligens og maskinlæring.
- 3 studiepoeng overlapp med IN4050 – Introduksjon til kunstig intelligens og maskinlæring.
Undervisning
- Fire forelesninger per uke, i omtrent 15 uker.
- Fire timer datalab for arbeid med numeriske prosjekter per uke, i omtrent 15 uker.
- Ukesoppgaver.
Eksamen
- Tre obligatoriske prosjektoppgaver som hver teller 1/3 av samlet karakter.
Som eksamensforsøk i dette emnet teller også forsøk i følgende tilsvarende emner: FYS-STK4155 – Anvendt dataanalyse og maskinlæring
Eksamensspråk
Dersom emnet undervises på engelsk vil det bare tilbys eksamensoppgavetekst på engelsk. Du kan besvare eksamen på norsk, svensk, dansk eller engelsk.
Karakterskala
Emnet bruker karakterskala fra A til F, der A er beste karakter og F er stryk. Les mer om karakterskalaen
Adgang til ny eller utsatt eksamen
Dette emnet tilbyr både utsatt og ny eksamen. Les mer: