Hopp til hovedinnhold

Teknisk modellering MOD300

(NB: Kurset blir først undervist høsten 2023. Kursbeskrivelsen vil bli oppdatert i løpet av 2021.)

Kurset vil gi en praktisk innføring i modellering. Vi vil utvikle modeller for å støtte beslutningsprosesser i komplekse og usikre sammenhenger. Modellene er relevante for ulike ingeniørdisipliner. Det vil være modeller for beslutningsanalyse, statistiske modeller, modeller av fysiske systemer, maskinlæring og hybride modeller der maskinlæringsmetoder kombineres med fysiske modeller. Numeriske metoder for å løse modellene vil bli forelest. Kurset fokuserer på anvendelser, studentene vil utvikle egne matematiske modeller og implementere spesifikke algoritmer for å løse praktiske problemer med det formål å støtte og forbedre beslutningstaking. Koding / programmering vil være en viktig del av kurset, og vi vil bruke Python som det primære programmeringsspråket for kurset.


Dette er emnebeskrivelsen for studieåret 2021-2022

Fakta
Emnekode

MOD300

Versjon

1

Vekting (SP)

10

Semester undervisningsstart

Høst

Antall semestre

1

Vurderingsemester

Høst

Undervisningsspråk

Norsk

Tilbys av

Det teknisk-naturvitenskapelige fakultet, Institutt for energiressurser

Merk

Emnet starter ikke før høsten 2023

Læringsutbytte

Innhold

Alle tar avgjørelser, men få mennesker tenker på hvordan de gjør det. Likevel viser psykologisk forskning at vi er utsatt for mange forskjellige tankefeil som forringer vår beslutningskvalitet. En grunnleggende rolle for ingeniører er å bygge fysiske og matematiske modeller for å støtte beslutningstaking. Modeller er nyttige og verdifulle hvis og bare hvis de kan gi innsikt som kan veilede og informere beslutningstaking. I dette kurset vil vi diskutere hvordan man kan utvikle normative modeller for beslutningstaking under usikkerhet og modeller som beskriver bevaring av masse, energi og kjemiske komponenter og hvordan man praktisk implementerer numeriske metoder. Målet med modellene er å støtte og forbedre beslutningstaking. Eksempler på numeriske algoritmer er regresjon og interpolasjonsteknikk (for både enkelt- og flere variabler), datafiltrering, Monte Carlo-simulering og maskinlæring.

Forkunnskapkrav
Ingen
Eksamen / vurdering
Vurderingsform Vekting Varighet Karakter Hjelpemiddel
Prosjektoppgave 1/1 A - F

3-5 prosjektoppgaver med rapporter.Vurderingsform og detaljer vil bli revidert og tydeligere beskrevet før emnet foreleses høsten 2023. 

Fagperson(er)
Studiekoordinator: Karina Sanni
Emneansvarlig: Aksel Hiorth
Emneansvarlig: Alejandro Escalona Varela
Arbeidsformer
Forelesninger og praktiske programmeringsøvelser.
Litteratur
Søk etter pensumlitteratur i Leganto