Hoppa till innehållet


KURSPLAN

Prediktiv analys 7,5 högskolepoäng

Predictive Analytics
Avancerad nivå, D7056E
Version
Kursplan gäller: Vår 2022 Lp 3 - Tills vidare
Vald version visar för vilken termin och läsperiod som denna kursplanen gäller för. Senaste version visas först.


Utbildningsnivå
Avancerad nivå
Fördjupningskod
A1F
Betygsskala
U G VG
Ämne
Systemvetenskap
Ämnesgrupp (SCB)
Informatik/data- och systemvetenskap
Ingår i huvudområde
Systemvetenskap, Matematik

Behörighet

Minst 180 högskolepoäng varav minst 60 högskolepoäng i något av ämnena systemvetenskap eller datavetenskap. Studierna skall ha inkluderat introduktion i programmering (exemelvis D0009E Introduktion till programmering eller D0007N Objektorienterad programutveckling) och grunderna inom databaser (exempelvis D0004N Databaser I eller D0018E Databasteknik). Goda kunskaper i engelska, motsvarande Engelska 6.


Urval

Urvalet grundas på 20-285 högskolepoäng



Mål/Förväntat studieresultat

Målet med kursen är att studenten ska utveckla sina kunskaper och färdigheter inom Prediktiv analys. Efter genomgången kurs ska studenten kunna: 

  1. Förklara och använda begrepp inom prediktiv analys 
  2. Beskriva var och hur prediktiv analys skulle eller bör användas i affärsituationer
  3. Förklara hur prediktiv analys används för att möta organisatoriska behov
  4. Utvärdera en prediktiv analysteknik
  5. Analysera och reflektera över förhållanden mellan dess komponenter, nuvarande och framtida
  6. Planera och genomföra prediktiva analysexperiment

Kursinnehåll
Kursen Predictive Analytics syftar till att ge studenterna kunskap om hur man gör förutsägelser med hjälp av maskininlärningstekniker. Medan forskare är vana vid att göra förutsägelser baserade på konsoliderade och accepterade teorier, kan numera stor dataanalys leverera förutsägelser baserade på att utföra en sekvens av databehandlingssteg. Kursen förklarar både analysprocessen och teknikerna för att göra förutsägelser. Kursen tar ett brett perspektiv för analytisk projektprognos, samtidigt som man identifierar några av de viktigaste utmaningarna, samtidigt som man gör förutsägelser. Valda tekniker från informationsbaserad och felbaserad förutsägelse, tidsserier, ANN och djupinlärningsmetoder kommer att studeras i kursen med stödjande exempel och användningsfall.

Genomförande
Kursens undervisningsspråk samt undervisningsform anges för varje kurstillfälle och framgår av kurssidan på Luleå tekniska universitets hemsida.
Föreläsningar, laborationer, uppgifter, fallstudier och / eller projektarbete. Under kursen arbetar eleverna med individuella uppgifter och / eller grupparbete. Vissa uppgifter 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. Före och efter att uppgifterna är lösta finns det föreläsningar för att presentera och diskutera olika lösningar.
Undervisningen sker på engelska och på Internet för distansstudenter eller på campus för studenter som bor här. IT-stöd: Learning management system, e-post och telefon. Learning management-systemet används för att leverera kursmaterial, information och inlämningar. Kunskap delas och skapas inom kursen genom virtuella möten med lärare och andra studenter för diskussioner, handledning, lagarbete och seminarier. För studenter på campus kommer det att hållas möten på campus

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.

Examinationen består av skriftlig tentamen och skriftliga individuella och gruppuppgifter för att utvärdera studenters förmågor att förklara och använda prediktionstekniker och att lösa affärsproblem med prediktiv analys. 


Övrigt

Tekniska krav: åtkomst till dator med administrativa rättigheter, webbkamera, mikrofon och Internetanslutning.


Examinator
Ahmed Elragal

Litteratur. Gäller från Vår 2022 Lp 3
Titel: Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked examples, and Case Studies
Författare: John D. Kelleher, Brian Max Namee, Aoife D'Arcy
Förlag: The MIT Press, 2:a upplagan, 2020.

Kursgivare
Institutionen för system- och rymdteknik (SRT)

Moduler
KodBenämningBetygsskalaHpTillståndGäller frånTitel
0002InlämningsuppgiftU G#1.50ObligatoriskV21
0003Grupp-/ProjektarbeteU G#2.00ObligatoriskV21
0004Skriftlig tentamenU G VG4.00ObligatoriskV22

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 2020-02-21

Reviderad
av Jonny Johansson, HUL SRT 2021-11-03