Machine Learning
2024/2025- Formål og læringsmål
Maskinlæring (ML) er et dybt fascinerende emne. Her kan udviklere skrive programmer, der "magisk" løser vanskelige problemer. Giv algoritmen noget data, og den forudsiger et resultat. Hvis du ikke er tilfreds, så tilføj mere data og/eller træn modellen. Repeat
Viden
I dette kursus lærer du, hvordan man bruger maskinlæring (ML) til at løse forskellige typer af problemer. Vi starter med et enkelt problem hvor man træner en model til at opføre sig som en logisk AND-operator. Derefter bevæger vi os videre til at forudsige højde baseret på alder og at forudsige folks politiske holdninger baseret på socio-økonomiske data.
Dette kursus vil fokusere på at forstå grundlæggende ML. Vi vil løse det samme problem på 3 forskellige måder: Først ved hjælp af Google Sheets, derefter et Deep Neural Network Simulationsværktøj og til sidst ved hjælp af Keras i Python.
Vi arbejder med følgende:
Deep Neural Network (DNN)
Convolutional Neural Networks (CNN)
Recurrent Neural Networks (RNN)
Reinforcement Learning
Generative Pretrained Transformer (GPT)
Målet er at inspirere den studerende til at finde sit eget problem at løse.
Værktøjer:
• Google Sheet
• Simulationsværktøj (online)
• Google Colaboratory
• Keras og TensorFlow
Programmeringssprog: Python. Der forventes ikke at man kender Python i forvejen.Den studerende:
Færdigheder
• ved, hvordan en computer kan lære.
• kender flere ML-metoder, såsom Regression, Klassifikation, Clustering og Deep Learning. Og derfor begreberne Supervised Learning og Unsupervised Learning.
• kender værktøjer som Keras, Tensorflow, Numpy og Pandas.Den studerende:
Kompetencer
• kan bruge ML til at løse praktiske opgaver.
• kan forberede et datasæt fra rå data. Dette inkluderer Data cleaning, Feature Selection, Data Transformations og Feature Engineering.
• kan lave visuel repræsentation af data
• kan træne og teste en model.Den studerende:
• ved, hvordan man vælger en relevant ML-metode til at løse et givet problem.
• kan vurdere kvaliteten og effektiviteten af en løsning.
• kan finde og bruge relevante online ressourcer og dokumentation til at bygge en ML-løsning. - Undervisningsform
Præsentationer af nyt materiale i klassen. Videoer, som underviser har lavet. Øvelser i klassen. Gruppearbejde og individuelle opgaver.
- Forudsætninger for at deltage i
faget
Faglige forudsætninger for at deltage i faget
Den studerende skal kende til programmering på niveau med 3. semester KEA Computer Science APMaterielle forudsætninger for at deltage i faget
Windows, macOS eller Linux - Prøve
Læringsmålene for prøven er identiske med fagets/fagenes læringsmål
Forudsætninger for indstilling til eksamenDer vil være 2 obligatoriske øvelser. De skal afleveres og godkendes, for at den studerende får adgang til en eksamen. Den 2. obligatoriske øvelse kan bruges som et eksamensprojekt.Faget prøvesFaget/modulet prøves selvstændigtPrøveformKombineret skriftlig og mundtlig prøve• Mundtlig eksamen på 25 minutter med intern censor.
• 10 minutters præsentation
• 15 minutters spørgsmål og svar
• Studerende præsenterer eksamensprojekt
• Projekt demo
• Forklar interessante dele og valg af teknologier
• Spørgsmål og svar om projekt og pensum
Ingen rapportIndividuel eller gruppeprøveIndividuelAnvendt sprog til prøvenEngelskVarighed30 minutter inkl. votering og skiftBedømmelsesform7-trins skalaBedømmer(e)Intern censurKriterier for prøvevurderingDer gives en samlet karakter ud fra en helhedsvurdering af produktet og den mundtlige eksamen
På faget Machine Learning modtager du 64 timers undervisning, hvilket svarer til 85 lektioner (1 lektion = 45 min.) og 23% af din samlede arbejdsbelastning på faget.
Undervisningen vil primært bestå af følgende aktiviteter: klasseundervisning, øvelser, gruppearbejde.
Forberedelsen vil primært bestå af følgende aktiviteter: øvelser.
Læs om KEAs studieaktivitetsmodel
*KEA kan fravige det angivne timetal, hvis det er begrundet i særlige forhold.