Ukentlige ressurser

Denne uken er temaet introduksjon til Maskinlæring og Kunstig Intelligens: Hva er det, og hva bruker vi det til på Institutt for Informatikk?
I tillegg går vi gjennom en del praktisk informasjon om kurset.

Denne uka skal vi snakke om hvordan maskinlæringsmodeller brukes i praksis. Vi skal se nærmere på konkrete teknikker slik som skalering, regularisering og hyperparameterjustering. Og vi skal også understreke hvor viktig det er å forstå datagrunnlaget før man setter i gang treningsprosessen. 

Denne uken skal vi se nærmere på forsterkende læring, som er den tredje hovedkategorien av maskinlæringsteknikker, ved siden av veiledet læring og ikke-veiledet læring. Forsterkende læring skiller seg ganske mye fra de andre typene, ved at hovedfokuset er på hvordan en agent aktivt kan utforske et miljø, og gjennom belønning og straff lære seg hvordan den best skal handle i ulike situasjoner. Forsterkende læring er en naturlig problemformulering for domener som spill, robot-kontroll og kontroll av mange ulike industrielle prosesser - problemer som kan formuleres ved at en agent aktivt påvirker en prosess og lærer ved å prøve og feile.

Denne uka skal vi snakke om maskinlæringen som danner grunnlaget for såkalt Generativ Kunstig Intelligens (KI). Forelesningen gir en høynivå introduksjon til temaet med fokus på å bygge en forståelse for sentrale temaer som selv-veiledet læring, grunntrente modeller, store språkmodeller og transformer-arkitekturen.

Fokuset i denne ukas forelesning er todelt: I første halvdel diskuterer vi ulike syn på hva som menes med "intelligens" og ser på både praktiske og filosofiske aspekter knyttet til evaluering av KI-systemer. I andre halvdel retter vi blikket fremover og ser på ulike utfordringer, forventninger, og spådommer for utviklingen videre. 

Temaet for denne uka er etiske perspektiver på maskinlæring og kunstig intelligens og samfunnskonsekvenser knyttet til bruk av denne teknologien. Vi kommer til å snakke helt overordnet om etikk som fagfelt, samt se på en rekke etiske problemstillinger knyttet til hele livssyklusen til maskinlæringsmodeller - fra datainnsamling, trening, evaluering og bruk av modellene. 

Fokuset denne uka er hvordan vi kan representere data numerisk. Vi skal snakke om trekkvektorer og vektorrommodeller, med ordvektorer som anvendt eksempel. 

Denne uka introduserer vi klassifikasjon som eksempel på veiledet læring. 

Denne uka skal vi se på to temaer: (1) Evaluering av veiledet klassifikasjon og (2) klyngeanalyse som eksempel på ikke-veiledet læring.

Denne uka skal vi fokusere på en svært viktig modell innen statistikk og maskinlæring, nemlig lineær regresjon! Når du først skjønner hvordan slike regresjonsmodeller settes opp og estimeres fra data blir det mye enklere å forstå mer avanserte maskinlæringsteknikker.

Denne uken skal vi se nærmere på logistisk regresjon, en av de mest sentrale maskinlæringsmodellene for klassifikasjon. Modellen bygger på de samme prinsippene som lineær regresjon, men i stedet for å forutsi en vilkårlig numerisk verdi beregner logistisk regresjon en sannsynlighet for at et datapunkt tilhører en bestemt klasse.

Logistisk regresjon er både en viktig klassifiseringsmodell i seg selv, men utgjør også et viktig "byggestein" i mer avanserte maskinlæringsmodeller. I store språkmodeller som ChatGPT brukes f.eks. logistisk regresjon som et siste lag som konverterer tekstens interne representasjoner til en sannsynlighetsfordeling over den neste token.

Denne uken skal vi se nærmere på Nevrale Nettverk – teknologien bak Dyp Læring, som står bak de største gjennombruddene i Maskinlæring de siste 10-15 år. Nevrale Nettverk er også veldig fleksible – og kan brukes til både veiledet, ikke-veiledet og forsterkende læring, og brukes til både klassifikasjon og regresjon.

Denne uken repeterer vi stoffet vi har vært gjennom allerede.

Denne uken skal vi se nærmere på beslutningstrær, som er en av de mest intuitive maskinlæringsalgoritmene, og som også resulterer i veldig tolkbare modeller, altså modeller der vi lett kan lese ut hva som faktisk er lært. På egenhånd kan et beslutningstre være noe begrenset og ha tendens til å overtilpasse seg data, men samler man sammen flere trær i et såkalt "ensemble" kan man lage en tilfeldig skog - som er en av de kraftigste maskinlæringsalgoritmene til tabell-baserte data.