KURSPLAN Prediktiv analys 7,5 högskolepoäng Predictive Analytics Avancerad nivå, D7056E Version Vår 2021 Lp 3 - Höst 2021 Lp 2Vår 2022 Lp 3 - Tills vidare Kursplan gäller: Vår 2022 Lp 3 - Tills vidareVald 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 BehörighetMinst 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.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 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 campusExamination 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.ExaminatorAhmed ElragalLitteratur. Gäller från Vår 2022 Lp 3 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, 2:a upplagan, 2020. Sök böcker på biblioteket » KursgivareInstitutionen för system- och rymdteknik (SRT)Moduler KodBenämningBetygsskalaHpTillståndGäller frånTitel 0002InlämningsuppgiftU G#1.50ObligatoriskV21 0003Grupp-/ProjektarbeteU G#2.00ObligatoriskV21 0004Skriftlig tentamenU G VG4.00ObligatoriskV22 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.Kursplanen fastställdav Jonny Johansson, HUL SRT 2020-02-21Revideradav Jonny Johansson, HUL SRT 2021-11-03
