Teknisk modellering (MOD300)
I dette emnet vil du forbedre kodeferdighetene og modelleringsferdighetene dine gjennom praktisk arbeid med større kodeprosjekter. Du vil lære hvordan Python biblioteker og numeriske metoder du har lært i tidligere emner som for eksempel DAT 120 og MAF 310, samt metoder forelest i dette emnet, kan brukes til å studere reelle problemstillinger. Gjennom gruppearbeid vil du lære å kode modeller som beskriver virkeligheten og hvordan vi kan bruke modeller til å få bedre innsikt i fysiske prosesser og optimalisere dem. Modellene vi jobber med vil være relevante for ulike ingeniørdisipliner: modeller av ulike fysiske systemer, inkludert modeller der usikkerhet spiller en sentral rolle, datadrevne modeller som maskinlæringsmodeller. Sentralt i emnet er anvendelser, du vil få innføring i hvordan vi behandler, analyserer data slik at de kan brukes i maskinlæringsmodeller, sammenlikne modeller og data, utvikling og implementasjon av simuleringsmodeller for å få mer innsikt i ulike prosesser, samt fremstilling av resultatene i rapportform.
Etter endt emne vil du være godt forberedt for å bruke Python for å effektivisere arbeidsflyten din både som student og arbeidstaker. Du vil også være godt forberedt til å gjennomføre større prosjektoppgaver som for eksempel en bacheloroppgave, vite hvordan man best bygger opp en prosjektrapport og fremstiller resultatene på en god og oversiktlig måte.
Dette er emnebeskrivelsen for studieåret 2024-2025. Merk at det kan komme endringer.
Emnekode
MOD300
Versjon
1
Vekting (stp)
10
Semester undervisningsstart
Høst
Antall semestre
1
Undervisningsspråk
Engelsk, Norsk
Innhold
NB! Dette er et valgemne og dersom det er færre enn 10 studenter oppmeldt pr. 20.august for høstsemesteret, kan dette medføre at emnet ikke tilbys.
Emnet er delt inn i fire deler: i) Introduksjon til god kodeskikk og rapportskriving: hvordan kode på en slik måte at koden kan gjenbrukes og lett utvides. Hvordan skrive en god rapport. ii) Modelering systemer styrt av naturens lover, iii) Monte Carlo teknikker for modellering av prosesser med usikkerhet, iv) Maskinlæringsmodeller for å lage datadrevne modeller av komplekse systemer.
Eksempler på modeller og metoder som kan bli forelest: Ordinære differensiallikninger og vanlige løsningsmetoder, sensitivitetsanalyser, filtrering av data, bruk av integral og derivasjons (PID) kontroller, Monte Carlo integrasjon, random walk, Markov kjeder, simulated anealing, maskinlæring (kunstig nevralt nettverk)
Læringsutbytte
Kunnskap:
Ha kunnskap om hvordan man kan anvende ordinære differensiallikninger til å modellere ulike prosesser
Ha kunnskap om hvordan kontrollteori kan anvendes for ulike systemer
Ha kunnskap om hvordan man lager maskinlæringsmodeller ved bruk av kun data
Ha kunnskap om hvordan usikkerhet kan modelleres
Ferdigheter:
Kunne konstruere matematiske modeller av ulike systemer og løse disse ved hjelp av passende løsningsmetoder
Bruke modeller til å analysere virkelighetsnære systemer
Kunne skrive kode som er modulær og som lettere kan utvides
Generell kompetanse:
Skrive prosjektrapporter, og fremstille resultater på en oversiktlig måte
Python programmering, både funksjonell og objektorientert programmering
Erfaring med de mest vanlige Python bibliotekene
Forkunnskapskrav
Anbefalte forkunnskaper
Eksamen / vurdering
| Vurderingsform | Vekting | Varighet | Karakter | Hjelpemiddel |
|---|---|---|---|---|
| Mappevurdering | 1/1 | 1 Semestre | Bokstavkarakterer | Alle |
Mappen består av fire prosjektrapporter, hvorav den første teller 1/10 og de tre resterende prosjektrapportene teller 3/10 hver. Det gis ikke karakter på mappen før alle arbeid er innlevert og mappen som helhet er sensurert.Det tilbys ikke kontinuasjonsmuligheter på mappen. Studenter som ikke består, kan gjennomføre mappevurdering neste gang emnet ordinær undervisning.
Fagperson(er)
Faglærer:
Mesfin Belayneh AgonafirFaglærer:
Kjell Kåre FjeldeEmneansvarlig:
Aksel HiorthFaglærer:
Aksel HiorthInstituttleder:
Alejandro Escalona VarelaArbeidsformer
Forelesninger og praktiske programmeringsøvelser. Studenter vil bli oppfordret til å arbeide i grupper på opptil 3 personer, men kan også velge å jobbe individuelt.
4 timer forelesning med øvelser. Gjennom semesteret er det ukentlig lab 12:15-20:00, der studenter kan jobbe individuelt eller i grupper og få hjelp av foreleser eller studentassistent til prosjektoppgavene.