<li>vælg 'Download' (downloader direkte for Windows),</li>
<li>eller vælg Linux eller Mac, 32 eller 64 bit (dit valg),</li>
<li>nværende nyeste Anaconda3 version er <b>2021.05</b></li>
</ul>
<ul>
<li>ALTERNATIV 1:</li>
<ul>
<li>brug vores ASE GPU Cluster som jupyter hub server,</li>
<li>se info in <ahref='https://brightspace.au.dk/d2l/le/lessons/27524/topics/244596'rel='noopener'target='_blank'>kursusinformation | GPU Cluster</a>.</li>
</ul>
<li>ALTERNATIV 2:</li>
<ul>
<li>Lav en konto på Google's Colaboratory,</li>
<li>Test at du kan køre jupyter notebooks [JYPYNB] fra <spanstyle='font-family: courier new, courier;'>[GITHOML]</span>, prøv f.eks. <spanstyle='font-family: courier new, courier;'>index.ipynb</span></li>
</ul>
<h4>Forberedelse til Lektion 01</h4>
<ul>
<li>Læs materiale i <ahref='https://brightspace.au.dk/d2l/le/lessons/27524/units/244588'>kursusinformation</a>,</li>
<li>få fat i litteratur til kurset,</li>
<li>clone <spanstyle='font-family: courier new, courier;'>[GITHOML]</span> til din egen PC, se how-to under <ahref='https://brightspace.au.dk/d2l/le/lessons/27524/topics/254943'rel='noopener'target='_blank'>kursusinformation | kursusforkortelser</a>.</li>
Læs blot, hvad du finder relevant så som 'iteration', men spring blot over
emner, der er for komplekse eller for 'pythoniske', så som 'Stacking arrays' og
'QR decomposition'.
</p>
</ul>
<h4>Note vdr. kildekritik og 'informations-overload'</h4>
<p>Vi vil i dette kurset tit kunne blive overvældet af for meget ekstern
information (informations-overload), så du skal danne dig en metode til at
kunne selektere og navigere i materialet.</p>
<p>Vi vil primært holde os til <spanstyle='font-family: courier new, courier;'>[HOML]</span>, <spanstyle='font-family: courier new, courier;'>[GITHOML]</span> og Scikit-learn, med en note
om, at nettet flyder over med ekstra (til tider ubrugelig/ufiltreret)
information: en kildekritiks holdning er vigtig!</p>
<h4>Ekstra materiale til forberedelse</h4>
<p>Hvis du har brug for at opfriske dit lineær algebra matematik eller er helt ny
til python, så kan du f.eks. læse/skimme følgende notebooks, i prioriteret
<li>(OPTIONEL) ekstra, mest for de matematik intereserede: <br><spanstyle='margin-left: 30px'><spanstyle='font-family: courier new, courier;'>math_differential_calculus.ipynb</span><spanstyle='font-family: courier new, courier;'>[GITHOML]</span>.</span></li>
</ol>
<p>Pandas er et meget populært databehandlingsværktøj, men det
bruges/introduceres dog ikke formelt i dette kursus (du er velkommen til selv
<bodystyle='font-family: times new roman, times, serif;font-size: 12pt;color: #424222;'>
<h3>Introduktion</h3>
<h4>Formål</h4>
Denne lektion har til formål at give indledende information om kurset. Dvs.
at vi præsentere de formelle rammer vdr.
<ul>
<li>ITMAL gruppetilmelding,</li>
<li>opgavesæt og journalafleveringer,</li>
<li>eksamensform,</li>
<li>Blackboard opbygning og fildeling.</li>
</ul>
<p>Herefter vil vi præsentere machine learning [ML] som koncept overordnet, og
kort ridse lektionsplanen for kurset op.</p>
<p>Software til brug for kurset introduceres og skal installeres på jeres PC'er,
se 'L00: Forberedelse' for en installationsguide. Vi anvender python
distributionen anaconda og i henter og installere den sidste nye version. På
klassen vil der blive givet en kort demo af jupyter notebooks, dvs. et at de
udviklingsværktøjer til python vi vil bruge.</p>
<p>Vi kigge på Scikit-learn, det primære eksterne web-sted vi vil bruge i kurset,
samt forsøge os med et par små programmer i python.</p>
<p>Til slut kigger vi på supervised learning og at kunne predicte
'life-satisfactory' via demo projektet i <spanstyle='font-family: courier new, courier;'>[HOML]</span>, og vi ser på pythons modul- og
klassebegreber (modules, classes), så vi kan genbruge kode i senere
lektioner..</p>
<h4>Indhold</h4>
<ul>
<li>Formelle rammer vdr. kurset.</li>
<li>Eksamensform, godkendelsesfag via:</li>
<ul>
<li>et sæt obligatoriske skriftlige gruppe-journaler med afleveringsdeadlines,</li>
<li>en poster-session, med aflevering af poster og mundtlig præsentation af poster,</li>
<li>en mundtlig gennemgang af den sidste journal med alle medlemmer i ITMAL gruppen, samt evaluering af hver gruppemedlems
bidrag.</li>
<pstyle='margin-left: 30px'><b><spanstyle='color: #ff3333'>=> Endelig godkendelse af kurset sker på en samlet vurdering af de tre punkter ovenfor.</span></b></p>
</ul>
<li>Læringsmål.</li>
<li>Litteratur.</li>
<li>Intro til software, der bruges i ITMAL:</li>
<ul>
<li>python generelt (link til mini python intro: <spanstyle='font-family: courier new, courier;'><ahref='https://itundervisning.ase.au.dk/ITMAL_E21/L01/demo.ipynb'>demo.ipynb</a></span>,</li>
<pstyle='margin-left: 30px'>§ Preface, p. xv <spanstyle='font-family: courier new, courier;'>[HOML]</span> (eksklusiv fra Using Code Examples...og resten af intro kapitlet)</p>
<p>Læs blot, hvad du finder relevant så som 'iteration', men spring blot over
emner, der er for komplekse eller for 'pythoniske', så som 'Stacking arrays' og
'QR decomposition'.</p>
<h4>Opgaver</h4>
<p>Forberedelse inden lektionen</p>
<ul>
<li>Meld dig ind i en ITMAL working-group [G].</li>
<li>Følg installation processen givet i lektion nul ('L00: Forberedelse').</li>
<li>Læs pensum.</li>
</ul>
<h4>På klassen</h4>
<ul>
<li>Diskussion om ML (indlejret i forelæsningen).</li>
<li>Opgave: intro.ipynb</li>
<li>HUSK DATA til intro'en (download og udpak så "dataset" dir ligger sammen med intro.ipynb): <spanstyle='font-family: courier new, courier;'><ahref='https://itundervisning.ase.au.dk/ITMAL_E21/L01/datasets.zip'>datasets.zip</a></span></li>
<li>Opgave: modules_and_classes.ipynb</li>
</ul>
<h4>Optionelle opgaver</h4>
<p>Se 'Ekstra materiale til forberedelse' i lektion 'nul', specielt hvis du har
brug for en python og lineær algebra kick-start.</p>
