FYS-STK4155 – Anvendt dataanalyse og maskinlæring

Endringer på grunn av koronaviruset

Høsten 2020 vil eksamen i de fleste emner ved MN gjennomføres digitalt, enten som hjemmeeksamen eller som muntlig eksamen, med normal karakterskala. Følg med på semestersiden for oppdatert informasjon om eksamensformen i ditt emne.

Se felles retningslinjer for eksamen ved MN-fakultetet høsten 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
• Kjennskap til andre maskinlæringsalgoritmer, slik som support vector maskiner, beslutningstrær og nærmeste naboer.

Opptak til emnet

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

Studenter tatt opp til andre masterprogrammer kan, etter søknad, få adgang til emnet hvis dette er klarert med eget program.

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

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 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-STK3155 – 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-STK3155 – 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:

• Syk på eksamen / utsatt eksamen
• Trekk under eksamen / ta eksamen på nytt

Tilrettelagt eksamen, kildebruk, begrunnelse og klage

Se mer om eksamen ved UiO