TEK9020 – Mønstergjenkjenning
Beskrivelse av emnet
Timeplan, pensum og eksamensdato
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 .
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 .
Anbefalte forkunnskaper
Emnet bygger pÃ¥ kunnskaper tilsvarende de gitt av MAT1120 – Lineær algebra, MAT1110 – Kalkulus og lineær algebra,Ìý´Ç²µ 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 . Ved brudd på reglene kan du bli mistenkt for .
Som eksamensforsøk i dette emnet teller også forsøk i følgende tilsvarende emner:
- TEK5020 – Mønstergjenkjenning
- UNIK4590 – Mønstergjenkjenning (videreført)
- UNIK9590 – Mønstergjenkjenning (videreført)
Hjelpemidler til eksamen
·¡°ì²õ²¹³¾±ð²Ô²õ²õ±è°ùÃ¥°ì
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 .
Det tilbys ikke ny eksamen til studenter som har trukket seg under ordinær eksamen, eller som ikke har bestått.
Mer om eksamen ved UiO
- Hvordan bruke KI som student
- 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.