Commit e24c07cd authored by Carsten Eie Frigaard's avatar Carsten Eie Frigaard
Browse files

update

parent 36388c3d
<!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
This diff is collapsed.
<!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="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="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="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="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="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="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="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="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="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="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="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="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="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="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="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="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="150"></td>
</tr></table>
</body>
</html>
\ No newline at end of file
Supports Markdown
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment