IN-STK5000 – Adaptive metoder for data-baserte beslutninger

Kort om emnet

Klassisike tilnærminger til data analyse er basert på en statisk (eller forhåndsbestemt) prosedyre for både innsamling og prosessering av data. Moderne tilnærminger forholder seg til adaptive prosedyrer som i praksis nesten alltid blir brukt.

I dette emnet vil du lære om systemer som samler og prosesserer data på en adaptiv måte, for å støtte beslutninger, enten autonomt, eller sammen med mennesker.  Emnet bruker sentrale prinsipper innen maskinlæring, kunstig intelligens, databaser, og parallellregning på realistiske problemstillinger knyttet til sikkerhet, reproduserbarhet, transparens, personvern, og rettferdighet.

Hva lærer du?

Etter å ha fullført emnet, vil du:

• ha en helhetlig forståelse av adaptiv dataanalyse som et generelt beslutningsproblem
• ha grunnleggende forståelse av SQL
• vite hvordan datainnsamling planlegges på en adaptiv måte
• forstå når datasikkerhet er viktig og hvordan den ivaretas
• kunne sørge for transparente konklusjoner ved å tallfeste tilliten i dem og sikkerstille reproduserbarhet
• kunne gi garantier på sikkerhet og pålitelighet
• skjønne problemer med diskriminering og rettferdighet som kan oppstå
• være i stand til å bruke verktøy for storskala beregninger som Tensor-Flow
• kunne håndtere outliers, forfalskede data osv.

Opptak til emnet

IN-STK5000 og IN-STK9000 sees under ett med hensyn til opptak og antall plasser. Hvis antall påmeldte studenter er høyere enn antall plasser, vil de bli rangert som følgende:

1. PhD.-kandidater som har emnet godkjent i sin studieplan
2. Masterstudenter ved masterprogrammet Data Science som har emnet godkjent i studieplanen sin 
3. Masterstudenter ved Det matematisk-naturvitenskapelig fakultet som har emnet godkjent i studieplanen sin
4. Masterstudenter ved Det matematisk-naturvitenskapelig fakultet
5. Andre

Anbefalte forkunnskaper

Kjennskap til sannsynlighetsberegning (STK1000 – Innføring i anvendt statistikk eller STK1100 – Sannsynlighetsregning og statistisk modellering) eller diskret matematikk, kjennskap til elementær kalkulus (differensiering, integrering) og elementære programmeringsferdigheter (Python) anbefales.

Det er sterkt anbefalt å ha en viss kjennskap til matematisk sannsynlighetsanalyse (f.eks. STK1100), lineær algebra (f.eks. MAT1120 – Lineær algebra) og algoritmer (f.eks. IN2010 – Algoritmer og datastrukturer)

Overlappende emner

• 10 studiepoeng overlapp med IN-STK9000 – Adaptive metoder for data-baserte beslutninger.

Undervisning

4 timer forelesning/regneøvelser/lab hver uke hele semesteret

Les mer om krav til innlevering av oppgaver, gruppearbeid og lovlig samarbeid under retningslinjer for obligatoriske oppgaver. Obligatorisk oppmøte på første forelesning.

Eksamen

Innlevering av obligatoriske oppgaver er påkrevd og alle obligatoriske oppgaver må være godkjent før du kan gå opp til eksamen.

Eksamensformat: 2 grupperapporter, basert på 2 mini-prosjekter, samt en endelig muntlig/skriftlig eksamen.

Hver rapport teller for 40% av endelig karakter og endelig eksamen teller 20%. Alle deler må bli bestått og må bli bestått i samme semester.

Hjelpemidler til eksamen

Alle skriftlige hjelpemidler er tillatt under eksamen.

Eksamensspråk

Eksamensoppgaven blir gitt på engelsk, og du skal besvare eksamenen på 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

Studenter som dokumenterer gyldig fravær fra ordinær eksamen, kan ta utsatt eksamen.

Det tilbys ikke ny eksamen til studenter som har trukket seg under ordinær eksamen, eller som ikke har bestått.

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.