IN2160 – Probabilistisk maskinlæring

Etter å ha tatt emnet:

• kan du forklare hvordan sannsynlighetsteori og usikkerhet er grunnleggende konsepter for sentrale metoder innen maskinlæring;
• forstår du kjerneprinsippene bak moderne maskinlæring, inkludert veiledede og ikke-veiledede læringsteknikker og deres matematiske fundament i statistisk læringsteori;
• kan du implementere og anvende viktige algoritmer som for eksempel lineær og logistisk regresjon, Gaussiske prosesser, beslutningstrær og nevrale nettverk;
• kan du formulere problemstillinger matematisk og velge passende modeller og algoritmer for ulike læringsoppgaver, med forståelse for modellforutsetninger og induktiv bias;
• har du solid forståelse av konsepter som overtilpasning, regularisering, modellkompleksitet, biasvarians-kompromisset og hvordan probabilistiske kriterier kan brukes til å evaluere og sammenligne læringsalgoritmer;
• kan du forklare sammenhenger mellom ulike algoritmiske tilnærminger, for eksempel generative og diskriminative modeller, og hvordan de passer inn i det bredere maskinlæringslandskapet;

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

Studenter på bachelorprogrammet Informatikk: maskinlæring og kunstig intelligens (bachelor) vil bli prioritet.

I tillegg til generell studiekompetanse eller realkompetanse må du dekke spesielle opptakskrav:

• Matematikk R1 eller Matematikk (S1+S2)

De spesielle opptakskravene kan også dekkes med fag fra videregående opplæring før Kunnskapsløftet, eller på andre måter. Les mer om spesielle opptakskrav.

Emnet bygger på grunnleggende kunnskap i matematikk, statistikk og maskinlæring. Det er sterkt anbefalt å ha fullført følgende emner:

STK-IN1050 – Statistikk for informatikere

MAT1080 – Matematisk grunnlag for maskinlæring

IN1160 – Introduksjon til maskinlæring

4 timer forelesning og 2 timer gruppeundervisning.

Det kreves innlevering av obligatoriske oppgaver. Les mer om krav til innlevering av oppgaver, gruppearbeid og lovlig samarbeid under retningslinjer for obligatoriske oppgaver.

Studenter som dokumenterer gyldig fravær fra ordinær eksamen, kan ta utsatt eksamen i starten av neste semester.

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