DAT300 Anvendt dyplæring

NMBU →10 studiepoeng

Studentvurdering

Hvor relevant opplever du emnet?

Gjennomsnittlig svar: ingen svar

Svært irrelevantSvært relevant

Hva er ditt generelle inntrykk av kurset?

Gjennomsnittlig svar: ingen svar

Svært dårligSvært bra

Hva synes du om emnets nivå?

Gjennomsnittlig svar: ingen svar

Svært lettSvært vanskelig

Hva synes du om arbeidsmengden sett i forhold til antall studiepoeng?

Gjennomsnittlig svar: ingen svar

Svært litenSvært stor

KARAKTERFORDELING · H 2025

98 kandidater

H 2018

H 2025

Grupper etter kjønn

SEMESTER

SNITTKARAKTER

3,07 av 5 poeng

NMBU snitt: 3.42

STRYKPROSENT

7 %

NMBU snitt: 4,1 %

KANDIDATER PER ÅR

snitt over 8 år

SEMESTRE MED DATA

Eksamen og forkunnskaper

Vurderingen består av

En skriftlig eksamen
Innlevering
Muntlig eksamen
Skriftlig eksamen · 3.5 Timer

Alle delene må normalt være bestått. Karakterfordelingen over gjelder emnet samlet.

Kilde: Data hentet fra Felles studentsystem ved NMBU, slik den var publisert for høsten 2026. NMBU har ikke kvalitetssikret og er ikke ansvarlig for innholdet på denne siden.

Om DAT300

NMBU sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Emnets innhold

DAT300 bygger videre på temaer som ble diskutert i DAT200 - Anvendt maskinlæring.

Grunnlag for kunstige nevrale nett (NN)
Deep convolutional neural networks (CNN)
Recurrent neural networks (RNN)
Autoencoders
Generative models (Variational Autoencoders, Introduction to Generative Adversarial Networks, and Transformers).

Kurset gir en innføring i metodenes grunnleggende teoretiske egenskaper, men har hovedfokus på anvendt modellering med reelle datasett. Studentene vil lære å lage effektive og treffsikre modeller som, avhengig av applikasjon, kan støtte opp om flere av FNs bærekraftsmål, blant andre 3, 11, 12, 14, 15.

Vis resten (23 avsnitt)

1. Undervisning/læringsutbytte:

4,8

Læringsutbytte

Ferdigheter og innsikt i grunnleggende teknikker for maskinlæring og dyp læring. Grunnleggende forståelse av ulike modellers matematiske egenskaper og virkemåte. Studenten lærer seg å beherske analysemetoder som passer til 1) generell maskinlæring 2) sekvensanalyse, 3) bildeklassifisering .

Studentene lærer å koble ulike problemstillinger til valg av hensiktsmessig analysemetodikk.

Anbefalte forkunnskaper

MATH123/280

Forutsatte forkunnskaper

DAT200 eller lignende.

INF201/200 eller et tilsvarende emne i videregående programmering.

Strukturert undervisningstid

Forelesninger: 4 timer/uke. Øvinger: 2 timer/uke.

Undervisnings og vurderingsperiode

Emnet starter i vårparallellen.

Emnet har undervisning/vurdering i vårparallellen.

2. Vurderingsform:

4,6

Vurderingsinfo

Skriftlig eksamen Karakterregel: Bokstavkarakterer Hjelpemiddel: A1 Ingen kalkulator, ingen andre hjelpemidler

3. Alt i alt, tilfredshet med emnet:

5,1

Beskrivelse av eksamen for kurset

Skriftlig eksamen, 3,5 timer. A-F.

Emneansvarlig

Fadi Al Machot

Emnefrekvens

Årlig

Evaluering svarprosent:

55%

Informasjon om KI-bruk i emnet

K1 - Ingen bruk av KI

AI-verktøyene er ikke tillatt brukt under kursoppgaven, obligatoriske innleveringer og under eksamen.

Læringsaktiviteter

Undervisningen består av forelesninger og praktiske øvelser med bruk av datamaskin og moderne maskinlæringsprogramvare (med bistand fra øvingslærere).

Læringsstøtte

Maskinlæring / dyp læring er et fagområde i konstant utvikling, og læringsstøtteressurser på internett vil knyttes opp mot forelesninger og oppgaver via kurshjemmesidene i Canvas.

Studentene kan utover dette avtale kontakt med ansvarlig lærer på kontoret i treffetiden eller via epost.

Medvirkende lærere

Kristian Hovde Liland

Ulf Geir Indahl

Normert arbeidsmengde

Undervisning 78 timer, øvelser 26 timer, kollokvier og egenstudier mm: 146 timer.

Obligatoriske aktiviteter

Obligatoriske innleveringsoppgaver. Regler for godkjenning av obligatorisk aktivitet kunngjøres ved kursstart.

Pensum

Pensumlitteratur, programvare, hjelpelitteratur, pensumoversikt m.m. oppgis på kursets hjemmeside.

Publiseres på interne nettsider J/N

Sensor

Ekstern sensor deltar sammen med intern sensor ved utformingen av eksamensoppgavene og sensorveiledningen. Ekstern sensor kontrollerer intern sensors vurdering av et tilfeldig utvalg kandidater som en kalibrering med visse mellomrom i henhold til fakultetets retningslinjer for sensur.

Skriftlig eksamen i eksamensperioden (J/N)

Kilde: Data hentet fra Felles studentsystem ved NMBU, slik den var publisert for høsten 2026. NMBU har ikke kvalitetssikret og er ikke ansvarlig for innholdet på denne siden.

Kommentarer

Hva burde andre vite før de tar dette? Anonymt, ingen innlogging.

Ofte stilte spørsmål

Hvor mange studiepoeng er DAT300?: DAT300 (Anvendt dyplæring) ved NMBU gir 10 studiepoeng.
Hva er strykprosenten i DAT300?: Samlet strykprosent for DAT300 ved NMBU er 7 %, basert på 617 kandidater. Siste semester (høst 2025) var den 5,1 %.
Hvor vanskelig er DAT300?: Snittkarakteren i DAT300 er C (3.07 av 5 poeng), mot 7 % stryk. Jo lavere snitt og høyere strykprosent, jo mer krevende er emnet sammenlignet med andre emner ved NMBU.
Hvor kommer tallene for DAT300 fra?: Karakterdataene er hentet fra DBH (Database for statistikk om høyere utdanning) hos HK-dir, publisert under NLOD. Studentvurderingene er våre egne, slått sammen med vurderinger fra Karakterweb.

Studieprogram med dette emnet

Basert på hvor kandidatene til eksamen var registrert (DBH).

Relaterte emner ved NMBU

Emner som tas i de samme studieprogrammene som DAT300.

INF221 Informatikk for datavitere snitt C · 3,9 % stryk
DAT200 Anvendt maskinlæring snitt C · 8 % stryk
INF200 Videregående programmering snitt C · 3,1 % stryk
DAT320 Analyse av sekvensielle data og tidsseriedata snitt C · 8,7 % stryk
INF230 Datahåndtering og analyse snitt C · 1 % stryk
INF201 Videregående programmering 4,7 % stryk
INF250 Bildeanalyse snitt B · 4,1 % stryk
INF203 Prosjektoppgåve i vidaregåande programmering - juniblokk snitt C · 17,8 % stryk

Mer om NMBU

Les om karakterfordelingen ved NMBU →Les om NMBU →

Utvikling over tid

Semester	Kandidater	Snitt	Stryk
Høst 2025	98	C (3.19)	5,1 %
Høst 2024	106	C (3.16)	5,7 %
Vår 2024	4	F (0.00)	100 %
Høst 2023	115	C (2.83)	7,8 %
Høst 2022	97	C (3.09)	6,2 %
Høst 2021	58	C (2.67)	8,6 %
Vår 2021	6	–	0 %
Høst 2020	64	–	12,5 %
Høst 2019	32	C (3.03)	0 %
Høst 2018	37	B (4.22)	0 %

Finner retningen …

Eksamen og forkunnskaper

Vurderingen består av

En skriftlig eksamen
Innlevering
Muntlig eksamen
Skriftlig eksamen · 3.5 Timer

Alle delene må normalt være bestått. Karakterfordelingen over gjelder emnet samlet.

Kilde: Data hentet fra Felles studentsystem ved NMBU, slik den var publisert for høsten 2026. NMBU har ikke kvalitetssikret og er ikke ansvarlig for innholdet på denne siden.

Om DAT300

NMBU sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Emnets innhold

DAT300 bygger videre på temaer som ble diskutert i DAT200 - Anvendt maskinlæring.

Grunnlag for kunstige nevrale nett (NN)
Deep convolutional neural networks (CNN)
Recurrent neural networks (RNN)
Autoencoders
Generative models (Variational Autoencoders, Introduction to Generative Adversarial Networks, and Transformers).

Vis resten (23 avsnitt)

1. Undervisning/læringsutbytte:

4,8

Læringsutbytte

Studentene lærer å koble ulike problemstillinger til valg av hensiktsmessig analysemetodikk.

Anbefalte forkunnskaper

MATH123/280

Forutsatte forkunnskaper

DAT200 eller lignende.

INF201/200 eller et tilsvarende emne i videregående programmering.

Strukturert undervisningstid

Forelesninger: 4 timer/uke. Øvinger: 2 timer/uke.

Undervisnings og vurderingsperiode

Emnet starter i vårparallellen.

Emnet har undervisning/vurdering i vårparallellen.

2. Vurderingsform:

4,6

Vurderingsinfo

Skriftlig eksamen Karakterregel: Bokstavkarakterer Hjelpemiddel: A1 Ingen kalkulator, ingen andre hjelpemidler

3. Alt i alt, tilfredshet med emnet:

5,1

Beskrivelse av eksamen for kurset

Skriftlig eksamen, 3,5 timer. A-F.

Emneansvarlig

Fadi Al Machot

Emnefrekvens

Årlig

Evaluering svarprosent:

55%

Informasjon om KI-bruk i emnet

K1 - Ingen bruk av KI

AI-verktøyene er ikke tillatt brukt under kursoppgaven, obligatoriske innleveringer og under eksamen.

Læringsaktiviteter

Undervisningen består av forelesninger og praktiske øvelser med bruk av datamaskin og moderne maskinlæringsprogramvare (med bistand fra øvingslærere).

Læringsstøtte

Maskinlæring / dyp læring er et fagområde i konstant utvikling, og læringsstøtteressurser på internett vil knyttes opp mot forelesninger og oppgaver via kurshjemmesidene i Canvas.

Studentene kan utover dette avtale kontakt med ansvarlig lærer på kontoret i treffetiden eller via epost.

Medvirkende lærere

Kristian Hovde Liland

Ulf Geir Indahl

Normert arbeidsmengde

Undervisning 78 timer, øvelser 26 timer, kollokvier og egenstudier mm: 146 timer.

Obligatoriske aktiviteter

Obligatoriske innleveringsoppgaver. Regler for godkjenning av obligatorisk aktivitet kunngjøres ved kursstart.

Pensum

Pensumlitteratur, programvare, hjelpelitteratur, pensumoversikt m.m. oppgis på kursets hjemmeside.

Publiseres på interne nettsider J/N

Sensor

Skriftlig eksamen i eksamensperioden (J/N)

Kilde: Data hentet fra Felles studentsystem ved NMBU, slik den var publisert for høsten 2026. NMBU har ikke kvalitetssikret og er ikke ansvarlig for innholdet på denne siden.

Ofte stilte spørsmål

Hvor mange studiepoeng er DAT300?

DAT300 (Anvendt dyplæring) ved NMBU gir 10 studiepoeng.

Hva er strykprosenten i DAT300?

Samlet strykprosent for DAT300 ved NMBU er 7 %, basert på 617 kandidater. Siste semester (høst 2025) var den 5,1 %.

Hvor vanskelig er DAT300?

Snittkarakteren i DAT300 er C (3.07 av 5 poeng), mot 7 % stryk. Jo lavere snitt og høyere strykprosent, jo mer krevende er emnet sammenlignet med andre emner ved NMBU.

Hvor kommer tallene for DAT300 fra?

Karakterdataene er hentet fra DBH (Database for statistikk om høyere utdanning) hos HK-dir, publisert under NLOD. Studentvurderingene er våre egne, slått sammen med vurderinger fra Karakterweb.

Semester

Kandidater

Snitt

Stryk

Høst 2025

C (3.19)

5,1 %

Høst 2024

106

C (3.16)

5,7 %

Vår 2024

F (0.00)

100 %

Høst 2023

115

C (2.83)

7,8 %

Høst 2022

C (3.09)

6,2 %

Høst 2021

C (2.67)

8,6 %

Vår 2021

–

0 %

Høst 2020

–

12,5 %

Høst 2019

C (3.03)

0 %

Høst 2018

B (4.22)

0 %

Karakterfordeling og studentvurderinger i DAT300

Studentvurdering

Hvor relevant opplever du emnet?

Hva er ditt generelle inntrykk av kurset?

Hva synes du om emnets nivå?

Hva synes du om arbeidsmengden sett i forhold til antall studiepoeng?

Eksamen og forkunnskaper

Vurderingen består av

Om DAT300

Emnets innhold

1. Undervisning/læringsutbytte:

Læringsutbytte

Anbefalte forkunnskaper

Forutsatte forkunnskaper

Strukturert undervisningstid

Undervisnings og vurderingsperiode

2. Vurderingsform:

Vurderingsinfo

3. Alt i alt, tilfredshet med emnet:

Beskrivelse av eksamen for kurset

Emneansvarlig

Emnefrekvens

Evaluering svarprosent:

Informasjon om KI-bruk i emnet

Læringsaktiviteter

Læringsstøtte

Medvirkende lærere

Normert arbeidsmengde

Obligatoriske aktiviteter

Pensum

Publiseres på interne nettsider J/N

Sensor

Skriftlig eksamen i eksamensperioden (J/N)

Kommentarer

Ofte stilte spørsmål

Studieprogram med dette emnet

Relaterte emner ved NMBU

Mer om NMBU

Utvikling over tid

Karakterfordeling og studentvurderinger i DAT300

Studentvurdering

Hvor relevant opplever du emnet?

Hva er ditt generelle inntrykk av kurset?

Hva synes du om emnets nivå?

Hva synes du om arbeidsmengden sett i forhold til antall studiepoeng?

Eksamen og forkunnskaper

Vurderingen består av

Om DAT300

Emnets innhold

1. Undervisning/læringsutbytte:

Læringsutbytte

Anbefalte forkunnskaper

Forutsatte forkunnskaper

Strukturert undervisningstid

Undervisnings og vurderingsperiode

2. Vurderingsform:

Vurderingsinfo

3. Alt i alt, tilfredshet med emnet:

Beskrivelse av eksamen for kurset

Emneansvarlig

Emnefrekvens

Evaluering svarprosent:

Informasjon om KI-bruk i emnet

Læringsaktiviteter

Læringsstøtte

Medvirkende lærere

Normert arbeidsmengde

Obligatoriske aktiviteter

Pensum

Publiseres på interne nettsider J/N

Sensor

Skriftlig eksamen i eksamensperioden (J/N)

Kommentarer

Ofte stilte spørsmål

Studieprogram med dette emnet

Relaterte emner ved NMBU

Mer om NMBU

Utvikling over tid