DT8122 Probabilistisk kunstig intelligens

NTNU →7.5 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

60 kandidater

Bestått

Ikke bestått

H 2019

H 2025

Grupper etter kjønn

SEMESTER

STRYKPROSENT

22,1 %

NTNU snitt: 3,5 %

KANDIDATER PER ÅR

snitt over 6 år

SEMESTRE MED DATA

Eksamen og forkunnskaper

Slik vurderes du

Rapport

Kilde: Felles studentsystem (FS) via NTNU, slik den var publisert for høsten 2026. NTNU er ikke ansvarlig for innholdet på denne siden.

Om DT8122

NTNU sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Faglig innhold

DT8122 er en sommerskole, og kan for øyeblikket kun tas av deltakere av Probabilistic AI School summer school (ProbAI).

Kurset blir organisert som en rekke forelesninger med av praktiske oppgaver. Det vil også være seminarer som dekker forskningsområder og anvendelser relatert til hovedtemaene. Vi vil (foreløpig) dekke følgende emner:

Probabilistiske modeller, variasjonell inferens og probabilistisk programmering
Introduksjon til probabilistisk modellering
Bayesiansk modellering: prior, likelihood og posterior
Begreper innen Bayesianske nettverk og latente variable-modeller
Posterior inferens og parameterlæring
Modelleringsteknikker
Variational inference
- Mean-field, CAVI og konjugerte modeller
- Stokastisk Variational inference og optimering
- Black-box Variational inference
- AutoDiff Variational inference
Probabilistisk programmering
Dype generative modeller
Kombinasjon av klassiske nevrale nettverk og probabilistiske modeller.
Applikasjoner av Probabilistisk AI teknikker i data analyse

Vis resten (6 avsnitt)

Link til informasjon om emnet

Informasjonsbehov om sommerskolen: https://probabilistic.ai

Læringsutbytte

Hovedpoenget med kurset er å lære prinsippene for probabilistiske modeller og dype generative modeller innen maskinlæring og kunstig intelligens, samt å tilegne seg ferdigheter i bruken av eksisterende verktøy som implementerer disse prinsippene (probabilistic programming languages).

Kunnskaper: Studenten vil lære teorien for probabilistic modelling, variational inference, probabilistic programming og deep generative models.

Ferdigheter: Modelldesign, inference og programmering med probabilistiske modeller og dype generative modeller for et sett problemer.

Generell kompetanse: Å kunne tenke på problemer innen maskinlæring og kunstig intelligens ut fra prinsippene for probabilistisk modellering.

Anbefalte forkunnskaper

Vi forventer at studenter har gode kunnskaper innen linear algebra, sannsynlighetsteori (tilfeldige variable, forventning, fordeling), statistikk (grunnleggende forståelse av probabilistisk inference, maximum likelihood, og lignende), og en generell ide om nevrale nett (definisjon, backpropagation). Kapittel 1 og 2 i Christopher Bishops bok "Pattern Recognition and Machine Learning" ville grovt sett dekke nødvendige grunnlag.

Mer om vurdering

Vi avholder hjemmeeksamen, der arbeidet skal dokumenteres via en skriftlig rapport og programkode. Arbeidet er individuelt. Hjemmeoppgaven vil kreve at studenten bruker metoder/modeller studert på sommerskolen. Innlevert besvarelse blir vurdert som bestått eller ikke bestått.

Kursmateriell

Pensum blir oppgitt ved sommerskolen og varierer fra år til år. Man kan forvente et nivå tilsvarende dette:

Bøker:

Christopher M. Bishop. Pattern Recognition and Machine Learning. Chapter 10 (63 pages).
Kevin P. Murphy. Machine Learning: a Probabilistic Perspective. Chapter 9, 10 and 21 (92 pages)
Goodfellow et al.: Deep Learning PART III Deep Learning Research (Ch. 13-20) (235 pages)

Artikler:

Ranganath, R., Gerrish, S., & Blei, D. . Black box variational inference. In Artificial intelligence and statistics. 2014.
Kingma, D., & Welling, M. Auto-encoding variational Bayes. In International conference on learning representations. 2014.
Cheng Zhang et al. Advances in Variational Inference. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2019.
Ruslan Salakhutdinov. Learning Deep Generative Models. Annual Review of Statistics and Its Application, 2015.
I. Goodfellow at al. Generative adversarial nets. Advances in neural information processing systems. 2014.
Bingham et al. Pyro: Deep Universal Probabilistic Programming. Journal of Machine Learning Research. 2018

Andre ressurser:

Examples of probabilistic modelling with Pyro: https://pyro.ai/examples/
Tutorials, getting-started and examples for deep learning with PyTorch: https://pytorch.org/tutorials/

Læringsformer og aktiviteter

All undervisning gis på den årlige Probabilistic AI Summer School (https://probabilistic.ai). Den eneste måten å ta kurset på er å være del av sommerskolen det samme året som du ønsker å ta kurset.

Kilde: Felles studentsystem (FS) via NTNU, slik den var publisert for høsten 2026. NTNU 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 DT8122?: DT8122 (Probabilistisk kunstig intelligens) ved NTNU gir 7,5 studiepoeng.
Hva er strykprosenten i DT8122?: Samlet strykprosent for DT8122 ved NTNU er 22,1 %, basert på 253 kandidater. Siste semester (høst 2025) var den 16,7 %.
Hvor kommer tallene for DT8122 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 NTNU

Emner som tas i de samme studieprogrammene som DT8122.

DT8111 Metoder for empirisk forskning innen IT og digitalisering 14,3 % stryk
PHCOS-AVHAND Avhandling for PhD 0 % stryk
DT8123 Avansert databehandling 0 % stryk
DT8121 Colour Imaging 0 % stryk
DT8805 ApPEARS og CHANGE Forskerskole Norge 0 % stryk
IT8009 Sommerskole i Menneske-Maskin-Interaksjon 0 % stryk
DIXIL-11 Individuelt lesepensum 11 for dr.grad-studenter 0 % stryk
DT8114 PhD-seminar i datateknikk og informasjonsvitenskap 0 % stryk

Mer om NTNU

Les om karakterfordelingen ved NTNU →Les om NTNU →

Utvikling over tid

Semester	Kandidater	Stryk
Høst 2025	60	16,7 %
Høst 2024	37	0 %
Vår 2023	42	0 %
Høst 2022	24	0 %
Vår 2022	46	100 %
Høst 2021	25	0 %
Høst 2019	19	0 %

Finner retningen …

Om DT8122

NTNU sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Faglig innhold

DT8122 er en sommerskole, og kan for øyeblikket kun tas av deltakere av Probabilistic AI School summer school (ProbAI).

Probabilistiske modeller, variasjonell inferens og probabilistisk programmering
Introduksjon til probabilistisk modellering
Bayesiansk modellering: prior, likelihood og posterior
Begreper innen Bayesianske nettverk og latente variable-modeller
Posterior inferens og parameterlæring
Modelleringsteknikker
Variational inference
- Mean-field, CAVI og konjugerte modeller
- Stokastisk Variational inference og optimering
- Black-box Variational inference
- AutoDiff Variational inference
Probabilistisk programmering
Dype generative modeller
Kombinasjon av klassiske nevrale nettverk og probabilistiske modeller.
Applikasjoner av Probabilistisk AI teknikker i data analyse

Vis resten (6 avsnitt)

Link til informasjon om emnet

Informasjonsbehov om sommerskolen: https://probabilistic.ai

Læringsutbytte

Kunnskaper: Studenten vil lære teorien for probabilistic modelling, variational inference, probabilistic programming og deep generative models.

Ferdigheter: Modelldesign, inference og programmering med probabilistiske modeller og dype generative modeller for et sett problemer.

Generell kompetanse: Å kunne tenke på problemer innen maskinlæring og kunstig intelligens ut fra prinsippene for probabilistisk modellering.

Anbefalte forkunnskaper

Mer om vurdering

Kursmateriell

Pensum blir oppgitt ved sommerskolen og varierer fra år til år. Man kan forvente et nivå tilsvarende dette:

Bøker:

Christopher M. Bishop. Pattern Recognition and Machine Learning. Chapter 10 (63 pages).
Kevin P. Murphy. Machine Learning: a Probabilistic Perspective. Chapter 9, 10 and 21 (92 pages)
Goodfellow et al.: Deep Learning PART III Deep Learning Research (Ch. 13-20) (235 pages)

Artikler:

Ranganath, R., Gerrish, S., & Blei, D. . Black box variational inference. In Artificial intelligence and statistics. 2014.
Kingma, D., & Welling, M. Auto-encoding variational Bayes. In International conference on learning representations. 2014.
Cheng Zhang et al. Advances in Variational Inference. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2019.
Ruslan Salakhutdinov. Learning Deep Generative Models. Annual Review of Statistics and Its Application, 2015.
I. Goodfellow at al. Generative adversarial nets. Advances in neural information processing systems. 2014.
Bingham et al. Pyro: Deep Universal Probabilistic Programming. Journal of Machine Learning Research. 2018

Andre ressurser:

Examples of probabilistic modelling with Pyro: https://pyro.ai/examples/
Tutorials, getting-started and examples for deep learning with PyTorch: https://pytorch.org/tutorials/

Læringsformer og aktiviteter

Kilde: Felles studentsystem (FS) via NTNU, slik den var publisert for høsten 2026. NTNU er ikke ansvarlig for innholdet på denne siden.

Ofte stilte spørsmål

Hvor mange studiepoeng er DT8122?

DT8122 (Probabilistisk kunstig intelligens) ved NTNU gir 7,5 studiepoeng.

Hva er strykprosenten i DT8122?

Samlet strykprosent for DT8122 ved NTNU er 22,1 %, basert på 253 kandidater. Siste semester (høst 2025) var den 16,7 %.

Hvor kommer tallene for DT8122 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

Stryk

Høst 2025

16,7 %

Høst 2024

0 %

Vår 2023

0 %

Høst 2022

0 %

Vår 2022

100 %

Høst 2021

0 %

Høst 2019

0 %

Karakterfordeling og studentvurderinger i DT8122

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

Slik vurderes du

Om DT8122

Faglig innhold

Link til informasjon om emnet

Læringsutbytte

Anbefalte forkunnskaper

Mer om vurdering

Kursmateriell

Læringsformer og aktiviteter

Kommentarer

Ofte stilte spørsmål

Studieprogram med dette emnet

Relaterte emner ved NTNU

Mer om NTNU

Utvikling over tid

Karakterfordeling og studentvurderinger i DT8122

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

Slik vurderes du

Om DT8122

Faglig innhold

Link til informasjon om emnet

Læringsutbytte

Anbefalte forkunnskaper

Mer om vurdering

Kursmateriell

Læringsformer og aktiviteter

Kommentarer

Ofte stilte spørsmål

Studieprogram med dette emnet

Relaterte emner ved NTNU

Mer om NTNU

Utvikling over tid