Hoppa till innehållet


KURSPLAN

Avancerad Data Mining 7,5 högskolepoäng

Advanced Data Mining
Avancerad nivå, D7043E
Version
Kursplan gäller: Höst 2022 Lp 1 - Tills vidare
Vald version visar för vilken termin och läsperiod som denna kursplanen gäller för. Senaste version visas först.


Utbildningsnivå
Avancerad nivå
Fördjupningskod
A1N
Betygsskala
U G VG *
Ämne
Datateknik
Ämnesgrupp (SCB)
Datateknik
Ingår i huvudområde
Systemvetenskap

Behörighet

Minst 120 högskolepoäng varav minst 60 högskolepoäng i något av ämnena systemvetenskap eller datavetenskap. Studierna skall ha inkluderat introduktion i programmering (exempelvis D0009E Introduktion till programmering eller D0007N Objektorienterad programutveckling) och grunderna inom databaser (exempelvis D0004N Databaser I eller D0018E Databasteknik) samt genomförd kurs i grundläggande Data Mining, såsom exempelvis D0025E Data Mining. Kunskaper i engelska, motsvarande engelska 6.


Urval

Urvalet grundas på 20-285 högskolepoäng



Mål/Förväntat studieresultat

Kursens mål är att studenten ska utveckla sin kunskap och sina färdigheter i avancerad data mining. Efter genomgången kurs ska studenten kunna:

[1].  Använda koncept och tekniker för avancerad data mining

[2].  Förklara hur dessa koncept och tekniker fungerar

[3].  Förklara hur koncept och tekniker används, eller bör användas inom organisationer

[4].  Utvärdera resultaten vid användandet av  ovanstående koncept och tekniker

[5].  Analysera och reflektera över förhållandet mellan teknikerna, datauppsättningen, problemet eller möjligheten som finns till hands, samt verktyg och teknik som används


Kursinnehåll

Kursen är en avancerad kurs i data mining. Kursen ger kunskap om hantering av olika problem inom datavetenskap och datahantering. Fokus ligger på avancerade tekniker för maskininlärning såsom klassificering med beslutsträd och logistisk regression, förväntningsmaximering (EM), stödvektormaskiner (SVM), Bayesianska och Markov-nätverk.


Genomförande
Kursens undervisningsspråk samt undervisningsform anges för varje kurstillfälle och framgår av kurssidan på Luleå tekniska universitets hemsida.

Föreläsningar, laboratorier, uppdrag, fallstudier och projektarbete. I kursen förekommande laborationer kräver tillgång till mycket hög beräkningskapacitet. Under kursen arbetar studenterna med grupparbeten. Vissa uppdrag eller fallstudier i kursen kan innehålla arbete i kontakt med eller om branschen. Studenten använder olika metoder och tekniker, och det är viktigt att välja rätt metod, teknik eller datorstöd för varje uppgift. Innan och efter uppgifterna är lösta hålls föreläsningar för att presentera och diskutera olika lösningar. 


Examination
Om det finns beslut om särskilt pedagogiskt stöd, i enlighet med Riktlinjen Studentens rättigheter och skyldigheter vid Luleå tekniska universitet, finns möjlighet till anpassad eller alternativ examinationsform.

Genom individuella uppgifter/prov och grupp-/projektuppgifter, granskas olika studentförmågor. Dessa är: förmågan att förklara och använda tekniker för avancerad datautvinning och förmågan att lösa affärsproblem med datautvinning individuellt och i grupper.


Övrigt

Tekniska krav: tillgång till PC med Windows XP, mikrofon, webbkamera och behörighet att installera programvara. Internetanslutning (minst 0,5 Mbit/s).


Examinator
Rajkumar Saini

Litteratur. Gäller från Höst 2019 Lp 1
Pang-Ning Tan, Michael Steinbach, och Vipin Kumar: Introduction to Data Mining, Addison Wesley, 2005.

Kursgivare
Institutionen för system- och rymdteknik (SRT)

Moduler
KodBenämningBetygsskalaHpTillståndGäller frånTitel
0001Individuell examinationU G VG4.00ObligatoriskH19
0002Individuella uppgifterU G#1.50ObligatoriskH19
0003Grupp-/ProjektarbeteU G#2.00ObligatoriskH19

Studiehandledning
Studiehandledning finns i lärplattformen Canvas före kursstart. Du som är ny student hittar all information du behöver på www.ltu.se/nystudent. Du som redan studerar vid Luleå tekniska universitet hittar information om kursstart via schema på studentwebben alternativt via kursrummet i lärplattformen. Du når lärplattformen via Mitt LTU.

Kursplanen fastställd
av Jonny Johansson, HUL SRT 2018-11-21

Reviderad
av Jonny Johansson, HUL SRT 2022-06-17