Til hovedinnhold
Norsk English

Gratis nettkurs: Maskinlæring i praksis

Kan du allerede en del om maskinlæring, men ønsker mer hands on-kompetanse? Da kan nettkurset «Utvikling og anvendelse av intelligente systemer» være noe for deg. I vår tilbyr Høyskolen Kristiania, i samarbeid med blant andre SINTEF, et begrenset antall gratis plasser.

Informasjon

Start
Legg til i kalender
Slutt
Påmeldingsfrist

Dette nettbaserte emnet passer for deg som allerede er kjent med hovedprinsipper og sentrale konsepter innenfor kunstig intelligens (AI), og som nå ønsker å gå mer inn i dybden på teknologien. Emnet er eksempelvis egnet for systemutviklere, data-analytikere, rådgivere og prosjektledere med noe teknologisk bakgrunn.

Dyktige fagfolk vil lære deg om sentrale utfordringer, løsninger og anvendelser innenfor kunstig intelligens. Du vil tilegne deg etterspurt og attraktiv kompetanse som kan brukes i reelle arbeidssituasjoner. Blant annet vil du lære om og data og maskinlæring som prosess, veiledet og ikke-veiledet læring, dyp læring, overføringslæring, forsterkende læring, testing og evaluering, og forklarbarhet.

Anbefalt arbeidsinnsats er cirka 140 timer fra januar til mai/juni 2022.

Anbefalt forkunnskap

Emnet bygger videre på «Innføring i intelligente systemer». Du trenger ikke ha tatt innføringsemnet, men bør kjenne til storparten av begrepene gjengitt i begrepslisten helt nederst. Forklaring av disse begrepene vil, sammen med læringsfilmene fra innføringsemnet, være tilgjengelig for deg som tar «Utvikling og anvendelse av intelligente systemer». Dette materialet vil kunne bidra til å oppnå den anbefalte forkunnskapen.

Merk at vi vil arbeide med kjørbar Python-kode. Du trenger ikke være en erfaren programmerer, men bør kjenne Python godt nok til å kunne lese og forstå programkode, og gjøre enkle justeringer av eksisterende kode. Du bør også ha grunnleggende matematisk forståelse.

Formelt opptakskrav er generell studiekompetanse eller godkjent realkompetanse.

Om studiet

Emnet gir 5 studiepoeng. Det følger en fleksibel, nettbasert studiemodell som kan kombineres med jobb og privatliv. Noe av læringsmaterialet er på norsk, og noe på engelsk, men alle filmer tekstes på norsk. Vi gjennomfører emnet første gang i vår. Takket være offentlig finansiering fra Direktoratet for høyere utdanning og kompetanse (HK-dir) er denne gjennomføringen gratis.

Kurset starter 17. januar. For å gå opp til eksamen, må du først få godkjent en obligatorisk innsendingsoppgave. Du vil få personlig tilbakemelding fra en faglig dyktig veileder. Eksamen gjennomføres som en seks ukers semesteroppgave med innlevering mai/juni 2022.

Det gjennomføres to studentsamlinger på dagtid. Den første holdes 17. februar. Du kan delta digitalt eller møte fysisk opp i Oslo. Den andre samlingen blir digital og holdes når semesteroppgaven utleveres i april, ca. uke 14–17.

Emnet er andre del av et praktisk rettet videreutdanningsstudium på to semestre, men det kan også tas som et frittstående, studiepoenggivende kurs.

Oppmelding er tilgjengelig fra slutten av november til slutten av januar, eventuelt inntil emnet er fullt.

Kurset er utviklet av Høyskolen Kristiania i samarbeid med SINTEF, Fredrikstad Næringsforening, NITO, Addisco og FLT, Abelia og DigitalNorway.

Mer om forkunnskaper: Begreper du bør kjenne til

For å ta emnet bør du kjenne til storparten av begrepene nedenfor, som ble gjennomgått i innføringskurset:

Veiledet læring, ikke-veiledet læring, modeller, klassifisering, regresjon, kategoriske og numeriske variabler, uavhengige og avhengige variabler, treningsdata, testdata, evaluerings-/valideringsdata, evalueringsmetrikker, nøyaktighet, sensitivitet, presisjon, stordata, sampling, tidsserier, åpne datasett, data-bias/-skjevhet, GDPR, etiske rammeverk, utforskende dataanalyse, Pearsons korrelasjonskoeffisient, feature engineering, hyperparametertuning, overtilpassing, nevrale nettverk, nevroner, skjulte lag, aktiveringsfunksjoner, tapsfunksjoner, RMSE, gradient descent, konvolusjonsnett (CNN), tilbakekoblede nett (RNN), tre-baserte modeller, beslutningstrær, random forest, klyngedeling, prinsipalkomponentanalyse, anbefalingssystemer, auto-enkodere, regularisering, embeddinger, ordinærkoding, en-hot-koding, naturlig språkbehandling, overføringslæring, forklarbar kunstig intelligens, SHAP, SAGE og dimensjonsreduksjon.

Utforsk fagområdene

Kontaktperson