FYS-STK3155 – Anvendt dataanalyse og maskinlæring

Beskrivelse av emnet

• Kort om emnet
• Hva lærer du?
• Opptak og adgangsregulering
• Forkunnskaper

• Overlappende emner
• Undervisning
• Eksamen
• Evaluering av emnet

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 dette emnet har du :

• En grunnleggende forståelse av Bayesisk statistikk og kjente sannsynsfordelinger;
• En forståelse av sentrale algoritmer som brukes I data analyse 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 og adgangsregulering

Studenter må hvert semester søke og få plass på undervisningen og melde seg til eksamen i Studentweb.

Dersom du ikke allerede har studieplass ved UiO, kan du søke opptak til våre studieprogrammer, eller søke om å bli enkeltemnestudent.

Forkunnskaper

Obligatoriske forkunnskaper

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:

• MAT1100 – Kalkulus
• MAT1110 – Kalkulus og lineær algebra
• MAT1120 – Lineær algebra

Ett eller flere av følgende emner:

• INF1100 – Grunnkurs i programmering for naturvitenskapelige anvendelser (videreført)
• IN1900 – Introduksjon til 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 mot FYS-STK4155 – Anvendt dataanalyse og maskinlæring

Undervisning

• Fire forelesninger per uke, i omtrent 15 uker.
• Fire timer i datalab for arbeid med numeriske prosjekter i uka, i omtrent 15 uker.
• Tre obligatoriske prosjektoppgaver, som hver teller 1/3 av endelig karakter.
• Ukesoppgaver.

Eksamen

• Tre prosjektoppgaver som hver teller 1/3 av endelig karakter i emnet.

Karakterskala

Emnet bruker karakterskala fra A til F, der A er beste karakter og F er stryk. Les mer om karakterskalaen.

Begrunnelse og klage

• Begrunnelse og klage

Evaluering av emnet

Vi gjennomfører fortløpende evaluering av emnet, og med jevne mellomrom ber vi studentene delta i en mer omfattende evaluering.