Grunnleggende maskinlæring for og med ingeniørapplikasjoner (MOD550)

Maskinlæring har nylig dukket opp som en av de mest lovende ressursene for ingeniører, og tilbyr et sett med kraftige tilnærminger for å takle komplekse tekniske utfordringer. Ved å bruke ulike statistiske teknikker i læringsalgoritmer, muliggjør maskinlæring utvikling av prediktive modeller, optimaliseringsstrategier og beslutningsstøttesystemer som kan forbedre design, analyse og kontroll av konstruerte systemer. Denne teknologien gir ingeniører mulighet til å trekke ut meningsfull innsikt fra enorme datasett, automatisere repeterende oppgaver og forbedre effektiviteten, påliteligheten og ytelsen til ingeniørprosesser. Dens applikasjoner spenner over forskjellige domener, fra mekanisk og kjemiteknikk til geo, materialvitenskap, etc. gjør maskinlæring til en uunnværlig ressurs for moderne beregningsingeniører for fysikkbaserte og datadrevne løsninger på problemer i den virkelige verden.

De fleste studenter innen ingeniør- og vitenskapsfelt har liten eksponering for datametoder, mens de fleste informatikere og statistikere har liten eksponering for dynamisk systemkontroll. Vårt mål er å gi et inngangspunkt og grensesnitt for begge disse gruppene av studenter.

Fokus for dette emnet er grunnleggende kunnskap og relaterte antakelser involvert i å anvende statistikk og maskinlæring i romlige og/eller tidsmessige kontekster. Det legges vekt på å gi studentene kunnskap om det grunnleggende innen statistikk og maskinlæring som er mest relevant for romlige eller tidsmessige data.

Kjernen i emnet er dataanalyse med tydelig fokus på ingeniørapplikasjoner. Datakilder, deres kvalitet og konsistens vil bli diskutert for å veilede valget av passende romlige og tidsmessige modeller. Simuleringsteknikker introduseres som et middel til å modellere heterogenitet og usikkerhet. Maskinlæringsteknikker, som regresjonsmodellering og analyse og multivariat dataanalyse, vil bli introdusert og brukt. Python og andre programmeringsverktøy vil bli brukt for modellering, forberedelse av romlige og tidsmessige data, skripting av statistiske arbeidsflyter og konstruksjon av visualiseringer for å kommunisere modellutdata og analyseresultater.

Hovedformålet med modellering er å generere beslutningsinnsikt. Det er kriteriene for å hevde "nytten" av en modell, og langs hvilke dens tolkbarhet, oppløsning og utfallsnøyaktighet vil bli evaluert i et sett med gitte oppgaver.

Kunnskap:

• Forståelse av tekniske datakilder og påfølgende dataegenskaper, statistikk og sannsynlighetsfordelinger (fra funksjonsteknikk til digitale tvillinger)
• Forståelse av dataanalyse/maskinlæring tilnærminger til utfall, metodesensitivitet og deres anvendelser (f.eks. molekylær modellering, flytsimulering, geovitenskap).
• Forståelse av dyplæringsprinsipper og dens fordeler/begrensninger i ingeniørapplikasjoner.
• Evne til å konstruere grunnleggende prediktive modeller (f.eks. Monte Carlo-simuleringer, språkmodeller som chatGPT)
• Datahåndtering, dataskifting og funksjonsutvikling.

Ferdigheter:

• Datahåndtering, dataskifting og funksjonsutvikling.
• Kan utvikle datadrevne modeller av fysiske systemer for kjemi- og maskinteknikk, materialvitenskap og geologi.
• Test datadrevne modeller mot fysiske modeller og eksperimentelle data.
• Bruk passende statistiske metoder for å få bedre innsikt.
• Utvikle egne programmer skrevet i Python og utvikle wrappers for åpne maskinlæringsrepositorier.

Generell kompetanse:

• Kan identifisere tekniske problemer, utvikle hypoteser og anvende matematiske modeller og datadrevne løsninger.
• Kan strukturere forskjellige statistiske modeller i et bredt spekter av ingeniørapplikasjoner.
• Kan koble ingeniører og datavitenskapelige løsninger -både til spesialister og til allmennheten.