02445 Projekt i statistisk evaluering for Kunstig intelligens og Data

2024/2025

Kurset er en del af bacheloruddannelsen Kunstig Intelligens og Data og er forbeholdt studerende fra denne uddannelse.
Kursusinformation
Project in Statistical Evaluation for Artificial Intelligence and Data
Engelsk
5
Bachelor
Retningsspecifikt kursus (BSc), Kunstig Intelligens og data
Teknologiske linjefag, Kunstig Intelligens og Data
Juni
Kurset udbydes for sidste gang i januar i januar 2024
Campus Lyngby
Forelæsninger og øvelser (integrerede) samt løsning af praktiske opgaver.
3-uger
Sidste dag(e) i 3-ugersperioden
Mundtlig eksamen og bedømmelse af rapport(er)
Mundtlig fremlæggelse og bedømmelse af rapport(er)
Alle hjælpemidler - med adgang til internettet
7-trins skala , intern bedømmelse
02441
02402/02403. 02450. , Det anbefales også at have taget 02809 eller tilsvarende.
Minimum 10
Sneha Das , Lyngby Campus, Bygning 321 , sned@dtu.dk
Niels Aske Lundtorp Olsen
Line Katrine Harder Clemmensen , Lyngby Campus, Bygning 321 , lkhc@dtu.dk
01 Institut for Matematik og Computer Science
I studieplanlæggeren
Overordnede kursusmål
At sætte deltagerne i stand til at benytte statistik i en kontekst af kunstig intelligens og datavidenskab, forstå og reflektere over de benyttede metoder, og anvende statistisk software.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • Opstille passende statistiske modeller og diskutere anvendelsen heraf, til evaluering af AI systemer og praktiske problemer, som involverer data.
  • Forstå matrixformuleringen af simple statistiske modeller
  • Forstå, diskutere og teste for interaktionseffekter i statistiske modeller.
  • Forstå og diskutere antagelserne bag statistiske modeller .
  • Forstå og anvende parametriske og ikke-parametriske tests.
  • Udføre estimering, hypotese test, og prædiktion vha simple statistiske modeller og passende software.
  • Evaluere estimater for modelgeneralisering.
  • Opstille og evaluere A/B tests.
  • Anvende resamplingsmetoder til evaluering af statistiske estimatorer
  • Anvende og diskutere mål for bias og fairness i kunstig intelligens
  • Fortolke output fra statistisk software.
  • Formidle statistiske resultater i en rapport til personer uden statistisk baggrund.
Kursusindhold
Forelæsninger og øvelser efterfulgt af projektarbejde i grupper. ANOVA, permutationtests, parametrisk og ikke-parametrisk bootstrapping, multiple sammenligninger, evalueringer baseret på hold-out og krydsvalideringsresultater. Implementation af visse metoder i statistisk software. Sammenligning og evaluering af statistiske metoder på simulerede og rigtige data. Opsummering af resultater i en rapport.
Sidst opdateret
02. maj, 2024