Maskinlæring og case-basert resonnering

Emnet behandler prinsipper og metoder for hvordan datasystemer selv kan oppdatere sin kunnskap og problemløsningsevne. Klassiske metoder for maskinell læring basert på observerte data, samt læring som også utnytter eksisterende kunnskap, gjennomgås og analyseres. Hovedvekten legges på symbolprosesserende metoder, der eksplisitte begreper og sammenhenger læres. Andre metoder som omhandles er bl.a. statistiske generaliseringer og forsterkingslæring. Det legges vekt på de enkelte læringsmetoders sterke og svake sider, relatert til ulike mål for læringen.

I case-basert resonnering integreres læring og problemløsning ved at konkrete problemer som løses tas vare på og gjenbrukes ved løsning av nye problemer. Numeriske og kognitive modeller for similaritetsvurdering gjennomgås, og ulike systemarkitekturer diskuteres. Videre behandles metoder der både case-spesifikk og generell kunnskap integreres i lærings- og problemløsningsfasene.

Emnet skal gi en innføring i prinsipper og metoder for hvordan datasystemer kan lære av egen erfaring.

Forelesninger, kollokvier, selvstudium og øvinger. Mappevurdering gir grunnlag for sluttkarakter i emnet. I mappen kan det inngå skriftlig avsluttende eksamen (80%) og arbeider (20%). Resultatet for delene angis i %-poeng, mens sensur for hele mappen (sluttkarakteren) angis med bokstavkarakter (A -F).

Ved utsatt eksamen kan skriftlig eksamen bli endret til muntlig eksamen.