Timeplan, pensum og eksamensdato

Velg semester

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:

Ett eller flere av følgende emner:

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

Evaluering av emnet

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

Fakta om emnet

Studiepoeng

10

Nivå

Bachelor

Undervisning

Hver høst

Eksamen

Hver høst

Undervisningsspråk

Norsk (engelsk på forespørsel)