DAT200 Anvendt maskinlæring

Innføring i grunnleggende maskinlæringsmetodikk med moderne, beregningskraftige dataverktøy. Metodikken som dekkes omfatter:

• preprosessering og tilrettelegging av data: egenskapsuttrekking (PCA, LDA), variabelseleksjon/-viktighet, visualisering, skalering, formatering av datatyper
• klustring: blant andre K-means
• klassifikasjon: KNN, logistisk regresjon, LDA, SVM, decision trees
• regresjon: OLS, regularisering, polynomisk regresjon, trebaserte metoder, PCR, PLS
• strategier for modellvalidering og parameteroptimering

Kurset gir en innføring i metodenes grunnleggende teoretiske egenskaper, men har hovedfokus på anvendt modellering med reelle datasett. Studentene vil lære å lage effektive og treffsikre modeller som, avhengig av applikasjon, kan støtte opp om flere av FNs bærekraftsmål, blant andre 3, 11, 12, 14, 15.

Ferdigheter og innsikt i grunnleggende teknikker for maskinlæring. Grunnleggende forståelse av ulike modellers matematiske egenskaper og virkemåte. Studenten lærer seg å beherske analysemetoder som passer til 1) Eksplorativ dataanalyse (diagnose og visualisering), 2) Forbehandling av data fra varierende kilder, 3) Modellering og prediksjon med kontinuerlige og kategoriske responser (regresjon og klassifikasjon) og validering av prediktive modeller.

Studentene lærer å koble ulike problemstillinger til valg av hensiktsmessig analysemetodikk.