REI602M Gervigreind, vor 2021
Yfirlit yfir námskeið
Í námskeiðinu er fjallað um hugtök, aðferðir og reiknirit á sviði gervigreindar, með áherslu á studdan lærdóm og óstuddan lærdóm. Helstu aðferðir sem fjallað er um eru línuleg aðhvarfsgreining, næstu nágrannar, stoðvigravélar, tauganet og ákvarðanatré fyrir studdan lærdóm. Þyrpingagreining og víddarfækkun fyrir óstuddan lærdóm, þar á meðal höfuðþáttagreining og k-means og t-SNE reikniritin ásamt meðmælakerfum. Fjallað verður um forvinnslu gagna og myndræna framsetning á þeim, mat á gæðum líkana og val á líkönum. Ennfremur er fjallað um djúp tauganet, þar á meðal földunarnet og endurkvæm net og aðferðir til að þjálfa djúp net. Nemendur útfæra einföld reiknirit í Python og kynnast sérhæfðum forritspökkum. Námskeiðinu lýkur með hagnýtu verkefni.
Eftir að hafa lokið námskeiðinu á nemandi að- kunna skil á grundvallaratriðum í studdum og óstuddum lærdómi.
- geta komið gögnum yfir á viðeigandi form og skoðað þau myndrænt.
- þekkja helstu reiknirit fyrir studdan og óstuddan lærdóm.
- geta beitt aðferðum námskeiðs við lausn hagnýtra verkefna á sviði gervigreindar.
Námsáætlun
| Vika | |
| 1 - 5 | Studdur lærdómur |
| 6 - 7 | Óstuddur lærdómur |
| 8 | Meðmælakerfi |
| 9 - 11 | Djúpur lærdómur |
| 12 - 13 | Verkefnavinna |
| 14 | Samantekt námsefnis og umræður um próf |
Í hverri viku verða gefnar út fyrirlestranótur (á íslensku).
Eftirfarandi kennslubækur verða hafðar til hliðsjónar:- [ISL] Introduction to Statistical Learning eftir James, Witten, Hastie og Tibshirani. Springer 2013.
- [ESL] The Elements of Statistical Learning eftir Hastie, Tibshirani og Friedman. Springer 2009.
- [DL] Deep Learning eftir Goodfellow, Bengio og Courville. MIT Press 2016.
Námstilhögun
Kennsla í námskeiðinu verður með rafrænum hætti. Fyrirlestrum verður streymt á Zoom og verkefnatímar fara fram á netinu (nánar síðar). Stundaskrá:
- Fyrirlestrar á föstudögum 13:20 - 15:40 á Zoom.
- Verkefnatímar á þriðjudögum 15:00 - 16:30 (nánar síðar).
Fyrirlestrar verða teknir upp og gerðir aðgengilegir á Canvas vef námskeiðsins. Í fyrirlestrum verða lögð fyrir verkefni sem nemendur skila síðar sama dag. Verkefnatímar verða einu sinni í viku, tvisvar 40 mínútur í senn. Tímarnir verða notaðir til að vinna að lausn heimaverkefna og vinna að hagnýta verkefninu. Heimaverkefni verða lögð fyrir á laugardögum og á að skila þeim á viku síðar.
Kennari: Steinn Guðmundsson (steinng@hi.is). Aðsetur: Herbergi 212 í Tæknigarði (sími 525 4738).Námsmat
- 40% Heimaverkefni (8 bestu af 10 gilda)
- 20% Hagnýtt verkefni
- 30% Lokapróf (fjarpróf)
- 10% Fyrirlestraæfingar
Til að standast námskeiðið þarf að ná einkunninni 5 á lokaprófinu einu sér, auk þess að ná þeirri einkunn samanlagt. Nemendur í meistaranámi þurfa að ná að lágmarki 6 á prófi og í lokaeinkunn.
Það er ekki mætingarskylda í fyrirlestra eða verkefnatíma en til að öðlast próftökurétt í námskeiðinu þarf nemandi að hafa skilað a.m.k. 4 heimaverkefnum í viku 8 og hlotið að lágmarki 5.0 í meðaleinkunn fyrir 4 bestu verkefnin. Þeir sem ekki uppfylla þetta skilyrði verða sjálfkrafa skráðir úr námskeiðinu í lok 8. viku.
Námskeiðsvefur
Tilkynningar, heimaverkefni, ítarefni ofl. verður sett á Canvas vef námskeiðsins. Almennum fyrirspurnum um námskeiðið og efni þess (t.d. heimaverkefni) verður svarað á umræðuþráðum á Canvas. Mikilvægt er að skoða vefinn reglulega.
Forkröfur
Gert er ráð fyrir að nemendur hafi þekkingu á grunnhugtökum úr línulegri algebru og stærðfræðigreiningu, sér í lagi afleiðum og reikningum með fylkjum og vektorum. Forritunarmálið Python verður notað við lausn á verkefnum. Nemendur sem hafa ekki notað Python en hafa haldgóða þekkingu á öðrum forritunarmálum á borð við Java, C eða Matlab eru ágætlega settir.
Samvinna nemenda og skil heimadæma
Nemendur eru hvattir til þess að ræða saman um námsefnið sín á milli, t.d. með því að hittast reglulega í 2ja - 4ra manna hópum á netinu. Þeir nemendur sem vinna að lausn heimadæma með öðrum þurfa alltaf að skrifa upp og skila inn sinni eigin lausn. Þeir þurfa ennfremur að tilgreina með hverjum var unnið að lausn verkefnisins.
Það er óheimilt að fá lausnir hjá öðrum, afrita lausnir eða láta aðra fá lausnina sína. Ef kennari verður var við afritaðar lausnir mun hann lækka einkunn fyrir viðkomandi verkefni. Hikið ekki við að leita til kennara ef þið eruð í vafa um hvað telst eðlileg samvinna og hvað ekki.
Lausnir á heimaverkefnum eiga að vera læsilegar og þær á að merkja með nafni nemanda og tölvupóstfangi. Ekki verður tekið við illlæsilegum eða hroðvirknislega unnum lausnum og ekki er tekið við lausnum sem berast of seint.
Verkefnum er skilað gegnum Gradescope. Ef nemandi telur að mistök hafi verið gerð við yfirferð verkefnis getur hann beðið um endurmat á því. Í slíkum tilvikum þarf að skrifa stutta lýsingu á því hvað nemandinn telji vera rangt gert í yfirferð. Frestur til að gera athugasemdir er ein vika frá því að að yfirförnu verkefni var skilað til baka.