KURSPLAN Prediktiv analys 7,5 högskolepoäng Predictive Analytics Avancerad nivå, D7056E Version Vår 2021 Lp 3 - Tillsvidare Kursplan gäller: Vår 2021 Lp 3 - TillsvidareVald version visar för vilken termin och läsperiod som denna kursplanen gäller för. Senaste version visas först.Kursplanen fastställdav Jonny Johansson, HUL SRT 2020-02-21Revideradav 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 BehörighetMinst 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.UrvalUrvalet grundas på 20-285 högskolepoängMål/Förväntat studieresultat Målet med kursen är att studenten ska utveckla sina kunskaper och färdigheter inom Prediktiv analys. Efter genomgången kurs ska studenten kunna: Förklara och använda begrepp inom prediktiv analys Beskriva var och hur prediktiv analys skulle eller bör användas i affärsituationer Förklara hur prediktiv analys används för att möta organisatoriska behov Utvärdera en prediktiv analysteknik Analysera och reflektera över förhållanden mellan dess komponenter, nuvarande och framtida 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. ExaminationExaminationen 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. ÖvrigtTekniska krav: åtkomst till dator med administrativa rättigheter, webbkamera, mikrofon och Internetanslutning.ExaminatorDiana ChroneerLitteratur. 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 StudiesFörfattare: John D. Kelleher, Brian Max Namee, Aoife D'ArcyFörlag: The MIT Press, 1:a upplagan, 2015 Sök böcker på biblioteket » KursgivareInstitutionen för system- och rymdteknik (SRT)Moduler KodBenämningBetygskalaHPTillståndGäller frånTitel 0001TentamenU G VG4.00ObligatoriskV21 0002InlämningsuppgiftU G#1.50ObligatoriskV21 0003Grupp-/ProjektarbeteU G#2.00ObligatoriskV21 StudiehandledningStudiehandledning 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.
