Ukentlige ressurser
Denne uken er temaet introduksjon til Maskinl?ring og Kunstig Intelligens: Hva er det, og hva bruker vi det til p? Institutt for Informatikk?
I tillegg g?r vi gjennom en del praktisk informasjon om kurset.
Denne uka skal vi snakke om hvordan maskinl?ringsmodeller brukes i praksis. Vi skal se n?rmere p? konkrete teknikker slik som skalering, regularisering og hyperparameterjustering. Og vi skal ogs? understreke hvor viktig det er ? forst? datagrunnlaget f?r man setter i gang treningsprosessen.?
Denne uken skal vi se n?rmere p? forsterkende l?ring, som er den tredje hovedkategorien av maskinl?ringsteknikker, ved siden av veiledet l?ring og ikke-veiledet l?ring. Forsterkende l?ring skiller seg ganske mye fra de andre typene, ved at hovedfokuset er p? hvordan en agent aktivt kan utforske et milj?, og gjennom bel?nning og straff l?re seg hvordan den best skal handle i ulike situasjoner. Forsterkende l?ring er en naturlig problemformulering for domener som spill, robot-kontroll og kontroll av mange ulike industrielle prosesser - problemer som kan formuleres ved at en agent aktivt p?virker en prosess og l?rer ved ? pr?ve og feile.
Denne uka skal vi snakke om maskinl?ringen som danner grunnlaget for s?kalt Generativ Kunstig Intelligens (KI). Forelesningen gir en h?yniv? introduksjon til temaet med fokus p? ? bygge en forst?else for sentrale temaer som selv-veiledet l?ring, grunntrente modeller, store spr?kmodeller og transformer-arkitekturen.
Fokuset i denne ukas forelesning er todelt: I f?rste halvdel diskuterer vi ulike syn p? hva som menes med "intelligens" og ser p? b?de praktiske og filosofiske aspekter knyttet til evaluering av KI-systemer. I andre halvdel retter vi blikket fremover og ser p? ulike utfordringer, forventninger, og sp?dommer for utviklingen videre.?
Fokuset denne uka er hvordan vi kan representere data numerisk. Vi skal snakke om trekkvektorer og vektorrommodeller, med ordvektorer som anvendt eksempel.?
Denne uka introduserer vi klassifikasjon som eksempel p? veiledet l?ring.?
Denne uka skal vi se p? to temaer: (1) Evaluering av veiledet klassifikasjon og (2) klyngeanalyse som eksempel p? ikke-veiledet l?ring.
Denne uka skal vi fokusere p? en sv?rt viktig modell innen statistikk og maskinl?ring, nemlig line?r regresjon! N?r du f?rst skj?nner hvordan slike regresjonsmodeller settes opp og estimeres fra data blir det mye enklere ? forst? mer avanserte maskinl?ringsteknikker.
Denne uken skal vi se n?rmere p? logistisk regresjon, en av de mest sentrale maskinl?ringsmodellene for klassifikasjon. Modellen bygger p? de samme prinsippene som line?r regresjon, men i stedet for ? forutsi en vilk?rlig numerisk verdi beregner logistisk regresjon en sannsynlighet for at et datapunkt tilh?rer en bestemt klasse.
Logistisk regresjon er b?de en viktig klassifiseringsmodell i seg selv, men utgj?r ogs? et viktig "byggestein" i mer avanserte maskinl?ringsmodeller. I store spr?kmodeller som ChatGPT brukes f.eks. logistisk regresjon som et siste lag som konverterer tekstens interne representasjoner til en sannsynlighetsfordeling over den neste token.
Denne uken skal vi se n?rmere p? Nevrale Nettverk – teknologien bak Dyp L?ring, som st?r bak de st?rste gjennombruddene i Maskinl?ring de siste 10-15 ?r. Nevrale Nettverk er ogs? veldig fleksible – og kan brukes til b?de veiledet, ikke-veiledet og forsterkende l?ring, og brukes til b?de klassifikasjon og regresjon.
Denne uken repeterer vi stoffet vi har v?rt gjennom allerede.
Denne uken skal vi se n?rmere p? beslutningstr?r, som er en av de mest intuitive maskinl?ringsalgoritmene, og som ogs? resulterer i veldig tolkbare modeller, alts? modeller der vi lett kan lese ut hva som faktisk er l?rt. P? egenh?nd kan et beslutningstre v?re noe begrenset og ha tendens til ? overtilpasse seg data, men samler man sammen flere tr?r i et s?kalt "ensemble" kan man lage en tilfeldig skog - som er en av de kraftigste maskinl?ringsalgoritmene til tabell-baserte data.