Anbefalede faglige forudsætninger for at deltage i modulet

Modulet bygger videre på viden opnået gennem kurserne calculus samt lineær algebra og dynamiske systemer

Modulets indhold, forløb og pædagogik

Løsninger til designproblemer kan ofte opnås ved at formulere disse som konvekse optimeringsproblemer. Formålet med dette kursus er at gennemgå metoder til løsning af (konvekse) optimeringsproblemer, herunder også problemer med begrænsninger, samt at give en introduktion til maskinlæring baseret på de underviste optimeringsmetoder. 

Læringsmål

Viden

• Konvekse mængder og funktioner 
• Hessian, Jacobi-matricen og konditionstals brug i optimering. 
• Singulærværdi-dekomposition og egenværdi-dekomposition 
• Dualitet
• Gradiet søgnings metoder

Færdigheder

• Identificere konvekse optimeringsproblemer 
• Anvende og implementere numeriske optimerings metoder for optimeringsproblemer med og uden begrænsninger 
• Anvende Lagrange-multiplikatorer i forbindelse med løsning af optimeringsproblemer med begrænsninger (Karush-Kuhn-Tucker) 
• Forstå grundlæggende metoder og algoritmer fra maskinlæring, herunder stokastisk gradient søgning, principal komponent analyse, lineær diskriminantanalyse, K-nærmeste nabo og perceptronen.

Kompetencer

• Kan formulere relevante ingeniør problemstillinger som optimeringsproblemer.
• Kan vælge passende numeriske optimeringsmetoder til løsning af relevante ingeniør problemer.

Undervisningsform

Jf. beskrivelsen i §17

Eksamen

Prøver

Prøvens navn	Optimering og introduktion til maskinlæring
Prøveform	Skriftlig eller mundtlig
ECTS	5
Bedømmelsesform	7-trins-skala
Censur	Intern prøve
Vurderingskriterier	Vurderingskriterierne er angivet i Universitetets eksamensordning