Mål
Efter avslutad kurs skall studenten ha:
- Förståelse för såväl problem som möjligheter i hanterandet av särskilt stora mängder data där traditionella metoder praktiskt ej går att tillämpa.
- Förmåga att använda effektiva kunskapsutforskande metoder för åtminstone en specifik databas.
- Egen erfarenhet av att ha genomfört datautvinning med avancerade datautvinningsmetoder
- Kunskap att göra kvantitativ och kvalitativ prognoser samt kunna förutse en framtida status av särskilt stora datamängder
- Arbetat med relevanta verktyg för kunskapsutforskande och på ett effektivt vis kunna matcha olika verktyg mot olika tillämpningar.
Innehåll
Den här kursen ger studenten en introduktion till hur man söker kunskap ur riktigt stora databaser med hjälp av konceptet ”data mining”, eller datautvinning. Kursen ger studenten redskap och metoder för att bygga system utvecklade för att analysera riktigt stora datamängder. Såväl helt automatiska som delvis automatiska metoder för datautvinning samt kunskapsutforskning från större databaser studeras. Vidare studeras tekniker för att göra prognoser samt för att förutse ett systems framtida status.
- Introduktion till datautvinning
- Processmodeller för datautvinning
- Instansbaserat lärande
- Naiv Bayes
- Klustring
- Beslutsträd
- Associeringsregler
- Neurala nätverk
- Stödvektormaskiner
- Bayesiska nätverk
- Särskilda datautvinningsämnen
- Rumslig datautvinning
- Temporal datautvinning
- Visualisering
- Projektarbete
- Introduktion till datautvinning
- Processmodeller för datautvinning
- Instansbaserat lärande
- Naiv Bayes
- Klustring
- Beslutsträd
- Associeringsregler
- Neurala nätverk
- Stödvektormaskiner
- Bayesiska nätverk
- Särskilda datautvinningsämnen
- Rumslig datautvinning
- Temporal datautvinning
- Visualisering
- Projektarbete
Examinationsformer
Dugga 1 hp (U-G), Skriftlig tentamen, muntlig redovisning i seminarieform, skriftlig projektrapport samt deltagande i laborationer, 6,5 hp (U-3-4-5)
Arbetsformer
Lektioner och laborationer. Kursen kan ges både på campus och som distans.
Betyg
Som betygsskala används U, 3, 4, 5.
Slutbetyget på kursen sätts efter en samlad bedömning av examinator och undervisande lärare.
Förkunskapskrav
- Kandidatexamen med minst 90 hp datateknik och 15 hp matematik
Övrigt
Maximalt fem tentamenstillfällen.
Ny kurs.
Ny kurs.