Commit 36388c3d authored by Carsten Eie Frigaard's avatar Carsten Eie Frigaard
Browse files

update

parent 79902a74
<!DOCTYPE html>
<html>
<meta http-equiv='Content-Type' content='text/html; charset=utf-8'/>
<body style='font-family: times new roman, times, serif;font-size: 12pt;color: #424222;'>
<h3>Forberedelse inden kursusstart</h3>
<h4>Formål</h4>
<p><i>Gruppe tilmelding:</i> tilmeld dig til en ITMAL gruppe (find link i Brightspace!).</p>
<p><i>Installation</i>: de obligatoriske værktøjer til ITMAL inden kursusstart (dvs.
L01).</p>
<p><i>Forberedelse til L01:</i> Hent GIT repositories til litteraturen <span style='font-family: courier new, courier;'>[GITHOML]</span>, prøv at
kører et par Jupyter Notebooks <span style='font-family: courier new, courier;'>[JPYNB]</span>, og læs mere om pythons NumPy
bibliotek.</p>
<p><i>Ekstra materiale til forberedelse:</i> optionelle python opgaver, hvis du vil sætte
dig mere ind i sproget.</p>
<h4>Installation</h4>
<ul>
<li>Installer Anaconda på din PC:</li>
<ul>
<li><span style='font-family: courier new, courier;'><a href='https://www.anaconda.com/products/individual' rel='noopener' target='_blank'>www.anaconda.com/products/individual</a></span></li>
<li>vælg &#x27;Download&#x27; (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 <a href='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&#x27;s Colaboratory,</li>
<li><span style='font-family: courier new, courier;'><a href='https://colab.research.google.com' rel='noopener' target='_blank'>colab.research.google.com</a></span></li>
</ul>
</ul>
<li>Test at du kan køre jupyter notebooks [JYPYNB] fra <span style='font-family: courier new, courier;'>[GITHOML]</span>, prøv f.eks. <span style='font-family: courier new, courier;'>index.ipynb</span></li>
</ul>
<h4>Forberedelse til Lektion 01</h4>
<ul>
<li>Læs materiale i <a href='https://brightspace.au.dk/d2l/le/lessons/27524/units/244588'>kursusinformation</a>,</li>
<li>få fat i litteratur til kurset,</li>
<li>clone <span style='font-family: courier new, courier;'>[GITHOML]</span> til din egen PC, se how-to under <a href='https://brightspace.au.dk/d2l/le/lessons/27524/topics/254943' rel='noopener' target='_blank'>kursusinformation | kursusforkortelser</a>.</li>
<li>skim denne tutorial igennem:</li>
<p style='margin-left: 30px'><i>§ Scientific Python tutorials:</i> NumPy, <span style='font-family: courier new, courier;'>tools_numpy.ipynb</span>, <span style='font-family: courier new, courier;'>[GITHOML]</span>
<br><br>
Læs blot, hvad du finder relevant så som &#x27;iteration&#x27;, men spring blot over
emner, der er for komplekse eller for &#x27;pythoniske&#x27;, så som &#x27;Stacking arrays&#x27; og
&#x27;QR decomposition&#x27;.
</p>
</ul>
<h4>Note vdr. kildekritik og &#x27;informations-overload&#x27;</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 <span style='font-family: courier new, courier;'>[HOML]</span>, <span style='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
rækkefølge:</p>
<ol>
<li>(OPTIONEL) python og vectors/matrices math: <br> <span style='margin-left: 30px'><span style='font-family: courier new, courier;'>math_linear_algebra.ipynb</span> <span style='font-family: courier new, courier;'>[GITHOML]</span>,</span></li>
<li>(OPTIONEL) python og grafisk plotting: <br> <span style='margin-left: 30px'><span style='font-family: courier new, courier;'>tools_matplotlib.ipynb</span> <span style='font-family: courier new, courier;'>[GITHOML]</span>,</span></li>
<li>(OPTIONEL) ekstra, Python og dataværktøjet &#x27;Pandas&#x27;: <br> <span style='margin-left: 30px'><span style='font-family: courier new, courier;'>tools_pandas.ipynb</span> <span style='font-family: courier new, courier;'>[GITHOML]</span>,</span></li>
<li>(OPTIONEL) ekstra, mest for de matematik intereserede: <br> <span style='margin-left: 30px'><span style='font-family: courier new, courier;'>math_differential_calculus.ipynb</span> <span style='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
at undersøg/bruge det).</p>
</body>
</html>
\ No newline at end of file
<!DOCTYPE html>
<html>
<meta http-equiv='Content-Type' content='text/html; charset=utf-8'/>
<body style='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&#x27;er,
se &#x27;L00: Forberedelse&#x27; 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
&#x27;life-satisfactory&#x27; via demo projektet i <span style='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>
<p style='margin-left: 30px'><b><span style='color: #ff3333'>=&gt; 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: <span style='font-family: courier new, courier;'><a href='https://itundervisning.ase.au.dk/ITMAL_E21/L01/demo.ipynb'>demo.ipynb</a></span>,</li>
<li>anaconda python distribution:</li>
<ul>
<li>jupyter notebooks,</li>
<li>spyder developer environment.</li>
</ul>
<li>Scikit-learn,</li>
<li>opgave med python modul og klasser.</li>
</ul>
<li>Intro til machine learning:</li>
<ul>
<li>Supervised learning (regression): &#x27;life-satisfactory&#x27; <span style='font-family: courier new, courier;'>[HOML]</span>.</li>
</ul>
</ul>
<h4>Litteratur</h4>
<p style='margin-left: 30px'>§ Preface, p. xv <span style='font-family: courier new, courier;'>[HOML]</span> (eksklusiv fra Using Code Examples...og resten af intro kapitlet)</p>
<p style='margin-left: 30px'>§ 1 The machine Learning Landscape <span style='font-family: courier new, courier;'>[HOML]</span></p>
<p style='margin-left: 30px'>§ 2 End-to-End Machine Learning Project <span style='font-family: courier new, courier;'>[HOML]</span></p>
<p>Dette kapitel indeholder mange nye koncepter og en del kode. Vi vender
senere tilbage til kapitlet senere, så læs det og prøv at danne dig et overblik
(dvs. nærlæs ikke).</p>
<p>Når du har installeret anaconda (se L00):</p>
<p style='margin-left: 30px'>§ Scientific Python tutorials: NumPy</p>
<p style='margin-left: 30px'>tools_numpy.ipynb <span style='font-family: courier new, courier;'>[GITHOML]</span></p>
<p>Læs blot, hvad du finder relevant så som &#x27;iteration&#x27;, men spring blot over
emner, der er for komplekse eller for &#x27;pythoniske&#x27;, så som &#x27;Stacking arrays&#x27; og
&#x27;QR decomposition&#x27;.</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 (&#x27;L00: Forberedelse&#x27;).</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&#x27;en (download og udpak så &quot;dataset&quot; dir ligger sammen med intro.ipynb): <span style='font-family: courier new, courier;'><a href='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 &#x27;Ekstra materiale til forberedelse&#x27; i lektion &#x27;nul&#x27;, specielt hvis du har
brug for en python og lineær algebra kick-start.</p>
<h4>Slides</h4>
<p style='margin-left: 30px'>
<span style='font-family: courier new, courier;'><a href='https://itundervisning.ase.au.dk/ITMAL_E21/L01/lesson01.pdf'>lesson01.pdf</a></span>
</p>
</body>
</html>
\ No newline at end of file
<!DOCTYPE html>
<html>
<body>
<table cellspacing="0px" cellpadding="1px" border="1px" align="center">
<tbody>
<tr style="background-color: #000000;" align="center">
<td width="40"><span style="background-color: #000000; color: #ffffff;"><strong>Uge</strong></span></td>
<td width="110"><span style="background-color: #000000; color: #ffffff;"><strong>Dato</strong></span></td>
<td width="20"><span style="background-color: #000000; color: #ffffff;"><strong>Lektion</strong></span></td>
<td width="200"><span style="background-color: #000000; color: #ffffff;"><strong>Emne</strong></span></td>
<td width="90"><span style="background-color: #000000; color: #ffffff;"><strong>Opgave</strong></span></td>
<td width="65"><span style="background-color: #000000; color: #ffffff;"><strong>Underviser</strong></span></td>
<td width="150"><span style="background-color: #000000; color: #ffffff;"><strong>Kommentar</strong></span></td>
</tr>
<tr align="center">
<td width="40">05</td>
<td width="110">02/02-2021</td>
<td width="20">L01</td>
<td width="200">Intro</td>
<td width="90"></td>
<td width="65">CEF</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">06</td>
<td width="110">09/02-2021</td>
<td width="20">L02</td>
<td width="200">Klassifikation</td>
<td width="90"></td>
<td width="65">CEF</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">07</td>
<td width="110">16/02-2021</td>
<td width="20">L03</td>
<td width="200">End-to-end ML</td>
<td width="90"></td>
<td width="65">CEF</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">08</td>
<td width="110">23/02-2021</td>
<td width="20">L04</td>
<td width="200">Regression</td>
<td width="90">O1 (28/02)</td>
<td width="65">PAH</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">09</td>
<td width="110">02/03-2021</td>
<td width="20">L05</td>
<td width="200">Data analyse</td>
<td width="90"></td>
<td width="65">PAH</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">10</td>
<td width="110">09/03-2021</td>
<td width="20">L06</td>
<td width="200">Neurale netværk (NN)</td>
<td width="90"></td>
<td width="65">PAH</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">11</td>
<td width="110">16/03-2021</td>
<td width="20">L07</td>
<td width="200">Træning og generalisering</td>
<td width="90">O2 (17/03)</td>
<td width="65">CEF</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">12</td>
<td width="110">23/03-2021</td>
<td width="20">L08</td>
<td width="200">Regularisering og søgning</td>
<td width="90"></td>
<td width="65">CEF</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">13</td>
<td width="110">30/03-2021</td>
<td width="20"></td>
<td width="200"></td>
<td width="90"></td>
<td width="65"></td>
<td width="150">Påske (ingen undervisning)</td>
</tr><tr align="center">
<td width="40">14</td>
<td width="110">06/04-2021</td>
<td width="20">L09</td>
<td width="200">Deep learning (CNN)</td>
<td width="90"></td>
<td width="65">CEF</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">15</td>
<td width="110">13/04-2021</td>
<td width="20">L10</td>
<td width="200">Probabilistiske modeller</td>
<td width="90">O3 (14/04)</td>
<td width="65">PAH</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">16</td>
<td width="110">20/04-2021</td>
<td width="20">L11</td>
<td width="200">Unsupervised learning I (PCA)</td>
<td width="90"></td>
<td width="65">PAH</td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">17</td>
<td width="110">27/04-2021</td>
<td width="20">L12</td>
<td width="200">Unsupervised learnindg II (Kmeans,GMM)</td>
<td width="90"></td>
<td width="65">PAH</td>
<td width="150">Kursus-evaluering</td>
</tr><tr align="center">
<td width="40">18</td>
<td width="110">04/05-2021</td>
<td width="20">L13</td>
<td width="200">Projektarbejde (Discord)</td>
<td width="90"></td>
<td width="65"></td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">19</td>
<td width="110">11/05-2021</td>
<td width="20">L14</td>
<td width="200">O4 projekt</td>
<td width="90"></td>
<td width="65"></td>
<td width="150"></td>
</tr><tr align="center">
<td width="40">20</td>
<td width="110">18/05-2021</td>
<td width="20">L15</td>
<td width="200">O4 projekt</td>
<td width="90">O4 (19/05)</td>
<td width="65"></td>
<td width="150"></td>
</tr></table>
</body>
</html>
\ No newline at end of file
<!DOCTYPE html>
<html>
<body>
<h3>ITMAL Backend File Structure</h3>
<span style="font-family: 'courier new', courier, sans-serif">Dir1<br></span>
<span style="font-family: 'courier new', courier, sans-serif">Dir2<br></span>
<span style="font-family: 'courier new', courier, sans-serif">&nbsp;&nbsp;&nbsp;&nbsp;Dir3<br></span>
<span style="font-family: 'courier new', courier, sans-serif">&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<a href='https://itundervisning.ase.au.dk/ITMAL_E21/Dir2/Dir3/dummy.txt'>dummy.txt</a><br></span>
<span style="font-family: 'courier new', courier, sans-serif"><a href='https://itundervisning.ase.au.dk/ITMAL_E21/course.tex'>course.tex</a><br></span>
<span style="font-family: 'courier new', courier, sans-serif"><a href='https://itundervisning.ase.au.dk/ITMAL_E21/plan.txt'>plan.txt</a><br></span>
</body></html>
COURSE
DEFS
[HOMEHTML] https://itundervisning.ase.au.dk/ITMAL_E21/Html
[HOME] https://itundervisning.ase.au.dk/ITMAL_E21
[HOML] <span style='font-family: courier new, courier;'>[HOML]</span>
[GITMAL] <span style='font-family: courier new, courier;'>[GITMAL]</span>
[GITHOML] <span style='font-family: courier new, courier;'>[GITHOML]</span>
[JPYNB] <span style='font-family: courier new, courier;'>[JPYNB]</span>
[OPTIONAL] (OPTIONEL)
[KURSUSINFORMATION] <a href='https://brightspace.au.dk/d2l/le/lessons/27524/units/244588'>kursusinformation</a>
[KURSUSFORKORTELSER] <a href='https://brightspace.au.dk/d2l/le/lessons/27524/topics/254943' rel='noopener' target='_blank'>kursusinformation | kursusforkortelser</a>
[KURSUSINFOGPU] <a href='https://brightspace.au.dk/d2l/le/lessons/27524/topics/244596' rel='noopener' target='_blank'>kursusinformation | GPU Cluster</a>
[BR] <br>
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
LESSON L00
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\header{Forberedelse inden kursusstart}
\sub{Formål}
\p{\i{Gruppe tilmelding:} tilmeld dig til en ITMAL gruppe (find link i Brightspace!).}
\p{\i{Installation}: de obligatoriske værktøjer til ITMAL inden kursusstart (dvs.
L01).}
\p{\i{Forberedelse til L01:} Hent GIT repositories til litteraturen [GITHOML], prøv at
kører et par Jupyter Notebooks [JPYNB], og læs mere om pythons NumPy
bibliotek.}
\p{\i{Ekstra materiale til forberedelse:} optionelle python opgaver, hvis du vil sætte
dig mere ind i sproget.}
\sub{Installation}
\ul{
\li{Installer Anaconda på din PC:}
\ul{
\li{\linkex{www.anaconda.com/products/individual, https://www.anaconda.com/products/individual}}
\li{vælg 'Download' (downloader direkte for Windows),}
\li{eller vælg Linux eller Mac, 32 eller 64 bit (dit valg),}
\li{nværende nyeste Anaconda3 version er \b{2021.05}}
}
\ul{
\li{ALTERNATIV 1:}
\ul{
\li{brug vores ASE GPU Cluster som jupyter hub server,}
\li{se info in [KURSUSINFOGPU].}
}
\li{ALTERNATIV 2:}
\ul{
\li{Lav en konto på Google's Colaboratory,}
\li{\linkex{,https://colab.research.google.com}}
}
}
\li{Test at du kan køre jupyter notebooks [JYPYNB] fra [GITHOML], prøv f.eks. \ipynb{index.ipynb}}
}
\sub{Forberedelse til Lektion 01}
\ul{
\li{Læs materiale i [KURSUSINFORMATION],}
\li{få fat i litteratur til kurset,}
\li{clone [GITHOML] til din egen PC, se how-to under [KURSUSFORKORTELSER].}
\li{skim denne tutorial igennem:}
\displaystyle{\em{§ Scientific Python tutorials:} NumPy, \ipynb{tools_numpy.ipynb}, [GITHOML]
[BR][BR]
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'.
}
}
\sub{Note vdr. kildekritik og 'informations-overload'}
\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{Vi vil primært holde os til [HOML], [GITHOML] og Scikit-learn, med en note
om, at nettet flyder over med ekstra (til tider ubrugelig/ufiltreret)
information: en kildekritiks holdning er vigtig!}
\sub{Ekstra materiale til forberedelse}
\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
rækkefølge:}
\ol{
\li{[OPTIONAL] python og vectors/matrices math: [BR] \indent{\ipynb{math_linear_algebra.ipynb} [GITHOML],}}
\li{[OPTIONAL] python og grafisk plotting: [BR] \indent{\ipynb{tools_matplotlib.ipynb} [GITHOML],}}
\li{[OPTIONAL] ekstra, Python og dataværktøjet 'Pandas': [BR] \indent{\ipynb{tools_pandas.ipynb} [GITHOML],}}
\li{[OPTIONAL] ekstra, mest for de matematik intereserede: [BR] \indent{\ipynb{math_differential_calculus.ipynb} [GITHOML].}}
}
\p{Pandas er et meget populært databehandlingsværktøj, men det
bruges/introduceres dog ikke formelt i dette kursus (du er velkommen til selv
at undersøg/bruge det).}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
LESSON L01
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\header{Introduktion}
\sub{Formål}
Denne lektion har til formål at give indledende information om kurset. Dvs.
at vi præsentere de formelle rammer vdr.
\ul{
\li{ITMAL gruppetilmelding,}
\li{opgavesæt og journalafleveringer,}
\li{eksamensform,}
\li{Blackboard opbygning og fildeling.}
}
\p{Herefter vil vi præsentere machine learning [ML] som koncept overordnet, og
kort ridse lektionsplanen for kurset op.}
\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{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{Til slut kigger vi på supervised learning og at kunne predicte
'life-satisfactory' via demo projektet i [HOML], og vi ser på pythons modul- og
klassebegreber (modules, classes), så vi kan genbruge kode i senere
lektioner..}
\sub{Indhold}
\ul{
\li{Formelle rammer vdr. kurset.}
\li{Eksamensform, godkendelsesfag via:}
\ul{
\li{et sæt obligatoriske skriftlige gruppe-journaler med afleveringsdeadlines,}
\li{en poster-session, med aflevering af poster og mundtlig præsentation af poster,}
\li{en mundtlig gennemgang af den sidste journal med alle medlemmer i ITMAL gruppen, samt evaluering af hver gruppemedlems
bidrag.}
\displaystyle{\b{\style{color: #ff3333, => Endelig godkendelse af kurset sker på en samlet vurdering af de tre punkter ovenfor.}}}
}
\li{Læringsmål.}
\li{Litteratur.}
\li{Intro til software, der bruges i ITMAL:}
\ul{
\li{python generelt (link til mini python intro: \link{,[HOME]/L01/demo.ipynb},}
\li{anaconda python distribution:}
\ul{
\li{jupyter notebooks,}
\li{spyder developer environment.}
}
\li{Scikit-learn,}
\li{opgave med python modul og klasser.}
}
\li{Intro til machine learning:}
\ul{
\li{Supervised learning (regression): 'life-satisfactory' [HOML].}
}
}
\sub{Litteratur}
\displaystyle{§ Preface, p. xv [HOML] (eksklusiv fra Using Code Examples...og resten af intro kapitlet)}
\displaystyle{§ 1 The machine Learning Landscape [HOML]}
\displaystyle{§ 2 End-to-End Machine Learning Project [HOML]}
\p{Dette kapitel indeholder mange nye koncepter og en del kode. Vi vender
senere tilbage til kapitlet senere, så læs det og prøv at danne dig et overblik
(dvs. nærlæs ikke).}
\p{Når du har installeret anaconda (se L00):}
\displaystyle{§ Scientific Python tutorials: NumPy}
\displaystyle{tools_numpy.ipynb [GITHOML]}
\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'.}
\sub{Opgaver}
\p{Forberedelse inden lektionen}
\ul{
\li{Meld dig ind i en ITMAL working-group [G].}
\li{Følg installation processen givet i lektion nul ('L00: Forberedelse').}
\li{Læs pensum.}
}
\sub{På klassen}
\ul{
\li{Diskussion om ML (indlejret i forelæsningen).}
\li{Opgave: intro.ipynb}
\li{HUSK DATA til intro'en (download og udpak så "dataset" dir ligger sammen med intro.ipynb): \link{,[HOME]/L01/datasets.zip}}
\li{Opgave: modules_and_classes.ipynb}
}
\sub{Optionelle opgaver}
\p{Se 'Ekstra materiale til forberedelse' i lektion 'nul', specielt hvis du har
brug for en python og lineær algebra kick-start.}