Allmänt

Ersätter och motsvarar 3FB617.

Behörighetskrav

Antagen till Masterprogram i läkemedelsmodellering

Mål

Efter avklarad kurs ska studenten ha grundläggande kunskaper i programmering med Python och R, så som datamanipulation, visualisering av resultat (plotta) och grundläggande statistiska beräkningar. Specifikt ska studenten kunna:

• Redogöra för och använda grundläggande programmeringsprinciper
• Konstruera och exekvera grundläggande Pythonprogram
• Utveckla och implementera grundläggande algorithmer i Python
• Använda externa Pythonbibliotek
• Konstruera och exekvera R-program med grundläggande programmeringsteknik, t.ex. importera/exportera data från fil eller Internet, tilldela och manipulera datastrukturer, skapa egna funktioner, använda loopar och villkorsuttryck samt felsökning
• Använd R för statistiska beräkningar
• Förklara och implementera Monte Carlo-teknik, samt utföra simuleringsstudier med analys och utvärdering av resultatet
• Visualisera data och resultat av statistiska beräkningar med hjälp av olika grafiska R-paket
• Använda externa R-paket för statistik och data mining

Innehåll

Kursen är uppdelad i två delar. Under de första två veckorna ligger fokus på Pythonprogrammering och de resterande tre veckorna ligger fokus på R-programmering.

Pythondelen av kursen ger en generell introduktion till programmering där studenten introduceras till programmeringskoncept och får praktisera dessa med hjälp av programmeringsspråket Python. Fokus ligger på att etablera ett datorbaserat tankesätt och studenten får lära sig och praktisera att skriva små program för att lösa praktiska problem. Kursen involverar också en del där studenten får lära sig att använda programmeringskod skriven av andra programmerare i sina egna program.

I R-delen av kursen kommer undervisningen att fokusera på att ge studenten de verktyg som behövs för dataanalys, specifikt för stora dataset. Studenten kommer lära sig att dela upp stora dataset i mindre, mer hanterbara delar och använda kvalitativa och kvantitativa redskap för att summera och visualisera den information som datasetet innehåller. Förmågan att kommunicera resultat kommer att betonas. Olika dataset kommer användas i de olika uppgifterna under kursen gång för att exponera studenten för olika typer av data. Kursen omfattar praktiska uppgifter såsom att läsa in data i R, använda R-paket, skriva egna R-funktioner, felsökning och hur man organiserar och kommenterar R-kod. Uppgifterna kommer även att omfatta statistisk dataanalys.

Undervisning

Undervisningen kommer att ske som föreläsningar, datorlaborationer och projektarbete.

Både datorlaborationer och projektarbete är obligatoriska uppgifter som ska lösas och examineras individuellt. För datorlaboration uppmuntrar vi dock samarbete där studenter gärna får diskutera data, kod och problem med varandra, men uppgifterna ska lämnas in individuellt.

En del av uppgifterna kan explicit uppmana till användning av Internet, men det är oacceptabelt att kopiera kod från externa källor. Om delar av kod återanvänds ska en referens anges som kommentar i koden.

Närvaro på kursintroduktion och datorlaborationer är obligatorisk.

Examination

Prov sker i slutet av kursen. För godkänd kurs krävs, förutom godkänt prov (provkod), godkänt resultat på obligatoriska moment (provkod). Möjlighet att komplettera icke godkända obligatoriska moment kan beredas tidigast vid nästa kurstillfälle och endast i mån av plats. Varje student har rätt till sammanlagt 6 provtillfällen, dvs. ett prov och 5 omprov.