KURSPLAN

Prediktiv analys 7,5 högskolepoäng

Predictive Analytics
Avancerad nivå, D7056E
Version
Kursplan gäller: Vår 2021 Lp 3 - Tillsvidare
Vald version visar för vilken termin och läsperiod som denna kursplanen gäller för. Senaste version visas först.

Kursplanen fastställd
av Jonny Johansson, HUL SRT 2020-02-21

Reviderad
av Jonny Johansson, HUL SRT 2020-02-21

Utbildningsnivå
Avancerad nivå
Fördjupningskod
A1F
Betygskala
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 eller D0007N) och grunderna inom databaser (exempelvis D0004N eller D0018E). Kursen för Data Science programmering kräver också D7043E Advancerad Data Mining samt kursen D7044E Business Intelligence. Goda färdigheter 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 syftar till att förmedla kunskap om att göra prediktioner med maskininlärningstekniker. Big data-analys kan leverera prediktioner baserade på en sekvens av databehandlingssteg. Kursen förklarar både analysprocessen och teknikerna för prediktioner.  Tekniker som: naiv metod, rörliga medelvärden, exponentiell utjämning, trendprojektion, regression, ANN och djupinlärning, kommer att studeras i kursen med stödjande exempel och användningsfall. 

Genomförande

  Föreläsningar, labb, uppgifter, fallstudier eller projektarbete. Under kursen arbetar eleverna med individuella uppgifter eller grupparbete. Vissa uppgifter eller fallstudier i kursen kan vara om eller i företag. Studenten använder olika metoder och tekniker och lärs sig välja rätt metod, teknik eller datorstöd för varje uppgift. Undervisningen sker på engelska på campus och Internet för distansstudenter. IT-support: Learning management system (LMS), e-post och telefon.  LMS används för att leverera kursmaterial, information och inlämning av uppgifter. Kunskap delas och skapas inom kursen genom virtuella möten med lärare och andra studenter för diskussioner, handledning, grupparbete och seminarier. För studenter på campus kommer det att finnas möten på campus. 


Examination

Examinationen består av skriftliga prov, individuell grupp- och projektuppgifter 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
Diana Chroneer

Litteratur. Gäller från Vår 2021 Lp 3 (Kan ändras fram till 10 veckor innan studiestart)
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, 1:a upplagan, 2015

Kursgivare
Institutionen för system- och rymdteknik (SRT)

Moduler
KodBenämningBetygskalaHPTillståndGäller frånTitel
0001TentamenU G VG4.00ObligatoriskV21
0002InlämningsuppgiftU G#1.50ObligatoriskV21
0003Grupp-/ProjektarbeteU G#2.00ObligatoriskV21

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.