TEK9020 – Mønstergjenkjenning

Kort om emnet

Emnet gir en grunnleggende innføring i mønstergjenkjenning, med vekt på klassifiseringsteori og maskinlæring.

Temaer som gjennomgås er Bayesisk beslutningsteori, klassifikatorer og klassifiseringssystemer, ledet læring, parametriske og ikke-parametriske metoder, lineære og generaliserte diskriminantfunksjoner, egenskapsutvelging og feilrateestimering, dimensjonalitetsproblemer, ikke-ledet læring og klyngeanalyse.

Mønstergjenkjenning brukes ofte i sammenheng med bilde- og signalanalyse, og vil derfor være nyttig for mange studenter innenfor disse fagene.

Hva lærer du?

Etter fullført emne vil du

• ha oppnådd god kjennskap til teorien for klassifisering og mønstergjenkjenning
• kunne velge egnet metodikk for å konstruere en klassifikator for en gitt problemstilling
• kjenne prinsippene for konstruksjon og utvelging av egnede egenskaper for problemstillingen
• kunne evaluere en ferdig trent klassifikator
• ha grunnleggende kjennskap til ikke-ledet læring og klyngeanalyse
• ha innsikt i forskjellene mellom "tradisjonell maskinlæring", som er tema i dette emnet, og temaet "dyp læring"

Opptak til emnet

Ph.d.-kandidater ved UiO søker plass på undervisningen og melder seg til eksamen i Studentweb.

Hvis emnet har begrenset kapasitet, vil ph.d.-kandidater som har emnet i sin utdanningsplan ved UiO bli prioritert. Noen nasjonale forskerskoler kan ha egne regler for rangering av søkere til emner med begrenset kapasitet.

Ph.d.-kandidater som har opptak ved andre utdanningsinstitusjoner må innen angitt frist søke om hospitantplass.

Anbefalte forkunnskaper

Emnet bygger på kunnskaper tilsvarende de gitt av MAT1120 – Lineær algebra, MAT1110 – Kalkulus og lineær algebra, og STK1000 – Innføring i anvendt statistikk.

Overlappende emner

• 10 studiepoeng overlapp med TEK5020 – Mønstergjenkjenning.
• 10 studiepoeng overlapp med UNIK4590 – Mønstergjenkjenning (videreført).
• 10 studiepoeng overlapp med UNIK9590 – Mønstergjenkjenning (videreført).
• 8 studiepoeng overlapp med UNIKI385.
• 5 studiepoeng overlapp med STK4030 – Statistisk læring: Videregående regresjon og klassifikasjon (nedlagt).

Undervisning

Emnet har 3 timer forelesning og øving per uke gjennom hele semesteret.

Det er 2 obligatoriske prosjektoppgaver og en presentasjon som må godkjennes for å kunne ta avsluttende eksamen.

Eksamen

• Avsluttende muntlig eksamen i slutten av semesteret teller %100 ved sensurering. Ved stort antall kandidater kan det bli holdt skriftlig eksamen.

Ph.d.-kandidater vil i forhold til masterstudenter på den klonede versjonen av emnet, TEK5020 – Mønstergjenkjenning, få en utvidelse av pensum. Ph.d-kandidater får en ekstra artikkel eller et relevant kapittel i læreboka til å presentere for øvrige studenter.

Både presentasjonen og obligatoriske oppgaver må være godkjent for å kunne ta avsluttende eksamen.

Ved oppgaveskriving må du gjøre deg kjent med reglene for kildebruk og referanser. Ved brudd på reglene kan du bli mistenkt for forsøk på fusk.

Som eksamensforsøk i dette emnet teller også forsøk i følgende tilsvarende emner:

• TEK5020 – Mønstergjenkjenning
• UNIK4590 – Mønstergjenkjenning (videreført)
• UNIK9590 – Mønstergjenkjenning (videreført)

Hjelpemidler til eksamen

Godkjent kalkulator

Eksamensspråk

Eksamensoppgaven gis på norsk. Du kan besvare eksamenen på norsk, svensk, dansk eller engelsk.

Karakterskala

Emnet bruker karakterskala bestått/ikke bestått. Les mer om karakterskalaen.

Adgang til ny eller utsatt eksamen

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.

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.