IN-STK9000 – Ansvarlig datavitenskap

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 å utvikle systemer som samler inn og behandler data for å ta beslutninger autonomt eller i samarbeid med mennesker, med hensyn til etiske aspekter ved datavitenskap. Emnet anvender kjerneprinsipper fra datavitenskap, maskinlæring og kunstig intelligens på realistiske problemstillinger knyttet til rettferdighet, bærekraft, reproduserbarhet, personvern og transparens.

Etter å ha fullført emnet, vil du:

• ha innsikt i bærekraftsspørsmål og kunne anslå de beregningsmessige kostnadene til eksperimenter
• 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 istand til å bruke verktøy for storskala beregninger som Tensor-Flow
• kunne håndtere outliers, forfalskede data osv.
• kritisk lese vitenskaplige artikler om fagområdet
• håndtere og redusere problemer knyttet til personvern og rettferdighet
• kjenne til den nåværende forskningsgrensen til fagområdet

IN-STK5000 og IN-STK9000 sees under ett opp 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

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)

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.

Obligatoriske oppgaver, 2 grupperapporter baster på 2 mini-prosjekter, samt en endelig eksamen (muntlig eller skriftlig avhengig av antall studenter). Mini-prosjektene for PhD-emnet forventes å være av høyere kompleksitet enn for master-varianten av emnet

Hver rapport teller for 35% av endelig karakter og endelig eksamen teller 30%. Alle deler må bli bestått og må bli bestått i samme semester.

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.