IKT466 Introduction to Machine Learning

UiA →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

47 kandidater

Grupper etter kjønn

SEMESTER

SNITTKARAKTER

3,91 av 5 poeng

UiA snitt: 3.27

STRYKPROSENT

0 %

UiA snitt: 4,1 %

KANDIDATER PER ÅR

SEMESTRE MED DATA

Eksamen og forkunnskaper

Vurderingen består av

Mappe/sammensatt vurdering
Oppgave
Samlet karakter

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

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

Om IKT466

UiA sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Innhold

The course provides the students with a deep understanding of machine learning and deep learning principles, covering both theoretical foundations and practical applications. The course is divided into two main parts: classical machine learning models and deep learning techniques. Students will explore various classification and regression models, Bayesian methods, support vector machines, ensemble methods, and deep learning architectures. By the end of the course, students will be able to analyze, implement, and evaluate machine learning and deep learning models using modern frameworks.

Part I: Machine Learning Fundamentals

Key Topics: Linear models, decision theory, kernel methods, and sparse kernel machines.

Additional Models: Bayesian models, SVM, decision trees, random forests, KNN, Naive Bayes, ensemble methods (bagging, boosting, stacking), linear and logistic regression.

Part II: Deep Learning Techniques

Core Concepts: Machine learning basics, feedforward networks, regularization, optimization, convolutional networks, and sequence modeling.

Practical Aspects: Training methodologies and real-world applications.

Vis resten (7 avsnitt)

Læringsutbytte

By the end of the course the student will be able to:

Understand and apply fundamental concepts in machine learning and deep learning.
Evaluate and compare different classification and regression models.
Implement and optimize machine learning algorithms using Python and relevant libraries.
Analyze the strengths and weaknesses of different machine learning techniques.
Develop and fine-tune deep learning models for various applications.
Apply machine learning and deep learning methods to real-world datasets.

Opptakskrav hvis tilbudt som enkeltemne

Admission requirements for the course are the same as for the master’s programme in AI and IoT.

Undervisnings- og læringsformer

The course is organized in combination of lectures, assignments, paper studies, labs, report writing and self-study. The tasks are done individually or in small groups with group supervision.

The workload for the average student is approximately 200 hours.

Undervisningsspråk

English

Eksamen

Portfolio with assignments and labs 60%, project report 40%. Graded assessment. Information about the content of the portfolio will be given in Canvas by the start of the semester. There will not be arranged a postponed exam for the portfolio.

Studentevaluering

The person responsible for the course decides, in cooperation with the student representative, the form of student evaluation and whether the course is to have a midway or end of course evaluation in accordance with the quality system for education, chapter 4.1.

Tilbys som enkeltemne

Yes. Subject to availability or capacity.

Kilde: Felles studentsystem (FS) via Universitetet i Agder, slik den var publisert for høsten 2026. Universitetet i Agder 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 IKT466?: IKT466 (Introduction to Machine Learning) ved UiA gir 7,5 studiepoeng.
Hva er strykprosenten i IKT466?: Samlet strykprosent for IKT466 ved UiA er 0 %, basert på 47 kandidater. Siste semester (høst 2025) var den 0 %.
Hvor vanskelig er IKT466?: Snittkarakteren i IKT466 er B (3.91 av 5 poeng), mot 0 % stryk. Jo lavere snitt og høyere strykprosent, jo mer krevende er emnet sammenlignet med andre emner ved UiA.
Hvor kommer tallene for IKT466 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 UiA

Emner som tas i de samme studieprogrammene som IKT466.

IKT433 Distributed and Big Data Systems snitt C · 3 % stryk
IKT590 Master's Thesis snitt B · 0 % stryk
IKT440 ICT Seminar 1 snitt B · 5,3 % stryk
IKT441 ICT Seminar 2 snitt B · 6 % stryk
IKT424 Probability Theory for ICT snitt D · 42,7 % stryk
MA-418 Discrete Mathematics snitt D · 27,1 % stryk
IKT439 Information and System Security snitt C · 9,4 % stryk
IKT436 Advanced Internet Services and Protocols snitt B · 2,2 % stryk

Mer om UiA

Les om karakterfordelingen ved UiA →Les om UiA →

Finner retningen …

Eksamen og forkunnskaper

Vurderingen består av

Mappe/sammensatt vurdering
Oppgave
Samlet karakter

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

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

Om IKT466

UiA sin egen emnebeskrivelse — læringsutbytte, innhold og vurderingsform.

Innhold

Part I: Machine Learning Fundamentals

Key Topics: Linear models, decision theory, kernel methods, and sparse kernel machines.

Additional Models: Bayesian models, SVM, decision trees, random forests, KNN, Naive Bayes, ensemble methods (bagging, boosting, stacking), linear and logistic regression.

Part II: Deep Learning Techniques

Core Concepts: Machine learning basics, feedforward networks, regularization, optimization, convolutional networks, and sequence modeling.

Practical Aspects: Training methodologies and real-world applications.

Vis resten (7 avsnitt)

Læringsutbytte

By the end of the course the student will be able to:

Understand and apply fundamental concepts in machine learning and deep learning.
Evaluate and compare different classification and regression models.
Implement and optimize machine learning algorithms using Python and relevant libraries.
Analyze the strengths and weaknesses of different machine learning techniques.
Develop and fine-tune deep learning models for various applications.
Apply machine learning and deep learning methods to real-world datasets.

Opptakskrav hvis tilbudt som enkeltemne

Admission requirements for the course are the same as for the master’s programme in AI and IoT.

Undervisnings- og læringsformer

The course is organized in combination of lectures, assignments, paper studies, labs, report writing and self-study. The tasks are done individually or in small groups with group supervision.

The workload for the average student is approximately 200 hours.

Undervisningsspråk

English

Eksamen

Studentevaluering

Tilbys som enkeltemne

Yes. Subject to availability or capacity.

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

Ofte stilte spørsmål

Hvor mange studiepoeng er IKT466?

IKT466 (Introduction to Machine Learning) ved UiA gir 7,5 studiepoeng.

Hva er strykprosenten i IKT466?

Samlet strykprosent for IKT466 ved UiA er 0 %, basert på 47 kandidater. Siste semester (høst 2025) var den 0 %.

Hvor vanskelig er IKT466?

Snittkarakteren i IKT466 er B (3.91 av 5 poeng), mot 0 % stryk. Jo lavere snitt og høyere strykprosent, jo mer krevende er emnet sammenlignet med andre emner ved UiA.

Hvor kommer tallene for IKT466 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.

Karakterfordeling og studentvurderinger i IKT466

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 IKT466

Innhold

Læringsutbytte

Opptakskrav hvis tilbudt som enkeltemne

Undervisnings- og læringsformer

Undervisningsspråk

Eksamen

Studentevaluering

Tilbys som enkeltemne

Kommentarer

Ofte stilte spørsmål

Studieprogram med dette emnet

Relaterte emner ved UiA

Mer om UiA

Karakterfordeling og studentvurderinger i IKT466

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 IKT466

Innhold

Læringsutbytte

Opptakskrav hvis tilbudt som enkeltemne

Undervisnings- og læringsformer

Undervisningsspråk

Eksamen

Studentevaluering

Tilbys som enkeltemne

Kommentarer

Ofte stilte spørsmål

Studieprogram med dette emnet

Relaterte emner ved UiA

Mer om UiA