̽»¨¾«Ñ¡

Kort om emnet

Emnet gir en innføring i en rekke sentrale algoritmer og metoder, som er viktige for studier av statistisk dataanalyse og maskinlæring. Emnet er prosjektbasert, og gjennom de ulike prosjektene introduseres studentene for grunnleggende forskningsproblemer innen disse feltene, med sikte på å gjengi moderne vitenskapelige resultater. Studentene lærer å utvikle og strukturere større koder for å studere disse systemene, bli kjent med datafasiliteter og lærer hvordan håndtere store vitenskapelige prosjekter. God vitenskapelig og etisk oppførsel vektlegges gjennom hele emnet.

Hva lærer du?

Etter å ha fullført emnet, har du:

• en grunnleggende forstÃ¥else av Bayesisk statistikk og kjente sannsynsfordelinger.
• en forstÃ¥else av sentrale algoritmer som brukes i statistisk data-analyse og maskinlæring, med hovedvekt pÃ¥ leda læring.
• kunnskap om Monte Carlo metoder, Markov-kjeder, Gibbs samplere, data optimering og deres anvendelser.
• en forstÃ¥else av lineær og logistisk regresjon.
• en forstÃ¥else av sentral optimerings algoritmer som stochastic gradient descent.
• kunnskap om sentrale dyplæringsmetoder for leda og uleda læring. 
• erfaring i Ã¥ jobbe med store numeriske prosjekter.
• kjennskap til andre maskinlæringsalgoritmer, slik som support vector maskiner, beslutningstrær og ensemble metoder som random forests, bagging og boosting.

Opptak til emnet

Studenter tatt opp til andre masterprogrammer kan, etter søknad, få adgang til emnet hvis dette er klarert med eget program.

Dersom du ikke allerede har studieplass ved UiO, kan du søke om opptak til våre , eller søke om å .

Emnet kan tilrettelegges for studenter som ikke kan delta i ordinær undervisning på campus.

Anbefalte forkunnskaper

Grunnleggende kunnskap om programmering og numerikk:

• MAT1100 – Kalkulus
• MAT1110 – Kalkulus og lineær algebra
• MAT1120 – Lineær algebra

Ett eller flere av følgende emner:

• INF1100 – Grunnkurs i programmering for naturvitenskapelige anvendelser (videreført)
• IN1900 – Introduksjon i programmering for naturvitenskapelige anvendelser
• MAT-IN1105 – Programmering, modellering og beregninger (nedlagt)
• IN-KJM1900 – Introduksjon i programmering for kjemikere
• BIOS1100 – Innføring i beregningsmodeller for biovitenskap

Overlappende emner

• 10 studiepoeng overlapp med FYS-STK3155 – Anvendt dataanalyse og maskinlæring.

Undervisning

Undervisningen går over et helt semester med følgende tilbud: 

• 4 timer forelesninger per uke 

• 2 timer gruppearbeid med numeriske prosjekter per uke i ca. 15 uker

• Ukesoppgaver

Eksamen

• Hjemmeeksamener i form av tre prosjektoppgaver, som hver teller 1/3 av avsluttende karakter.

Ved oppgaveskriving må du gjøre deg kjent med . Ved brudd på reglene kan du bli mistenkt for .

Som eksamensforsøk i dette emnet teller også forsøk i følgende tilsvarende emner: FYS-STK3155 – Anvendt dataanalyse og maskinlæring

·¡°ì²õ²¹³¾±ð²Ô²õ²õ±è°ùÃ¥°ì

Dersom emnet undervises på engelsk vil det bare tilbys eksamensoppgavetekst på engelsk. Du kan besvare eksamen på norsk, svensk, dansk eller engelsk.

Karakterskala

Emnet bruker karakterskala fra A til F, der A er beste karakter og F er stryk. Les mer om

Adgang til ny eller utsatt eksamen

I dette emnet tilbys det ikke utsatt eksamen for eksamenskandidater som er syke før eksamen eller som blir syke under eksamen. Det kan tilbys utsatt innleveringsfrist.

Sykdommen må dokumenteres med legeattest datert senest på ordinær innleveringsdato. Du må levere legeattesten til emnets kontaktpunkt innen innleveringsfristen for hjemmeeksamen.

Det tilbys ikke ny eksamen til kandidater som trekker seg eller ikke består ordinær eksamen.

Mer om eksamen ved UiO

• Tilrettelegging pÃ¥ eksamen
• Trekk fra eksamen
• Syk pÃ¥ eksamen / utsatt eksamen
• Begrunnelse og klage
• Ta eksamen pÃ¥ nytt
• Fusk/forsøk pÃ¥ fusk

Andre veiledninger og ressurser finner du på fellessiden om eksamen ved UiO.