Komplexa data - analys och visualisering

15 hp

Kursplan, Avancerad nivå, 1MB525

Kod
1MB525
Utbildningsnivå
Avancerad nivå
Huvudområde(n) med fördjupning
Bioinformatik A1N, Teknik A1N
Betygsskala
Underkänd (U), godkänd (3), icke utan beröm godkänd (4), med beröm godkänd (5)
Fastställd av
Teknisk-naturvetenskapliga fakultetsnämnden, 30 augusti 2018
Ansvarig institution
Institutionen för biologisk grundutbildning

Behörighetskrav

120 hp inklusive Beräkningsvetenskap II alternativt genomgången årskurs ett inom masterprogrammen Molekylär bioteknik eller Bioinformatik.

Mål

Kursen syftar till att ge kunskap om analys och visualisering av komplexa multidimensionella data.

Efter godkänd kurs ska studenten kunna:

  • förklara de teoretiska grundprinciperna för några modellfamiljer inom ämnesområdet och tillämpa dessa på biomedicinska/biologiska data
  • förklara de teoretiska grundprinciperna för några övergripande algoritmiska modelleringstekniker inom ämnesområdet och tillämpa dessa på biomedicinska/biologiska data
  • självständigt välja lämpliga metoder för givna biologiska/biomedicinska data och frågeställningar
  • kritiskt analysera, värdera och sammanställa biologiska/biomedicinska resultat baserat de modeller som skapas från komplexa datamängder.

Innehåll

Kursen behandlar analys och visualisering av komplexa multidimensionella data där insamlade mätvärden för en observation kan bestå av en kombination av olika kvalitativa och kvantitativa variabler som oftast kommer med tillhörande mätosäkerheter (teknisk variation), ibland är helt okända (missing data), och ibland är censurerade (p.g.a. detektionströsklar och/eller mättnadseffekter i mätinstrument).

(1) Oövervakad explorativ modellering: Komprimering och visualisering i form av t.ex. faktoranalys, klustring, multidimensionell skalning,, icke-negativ matrisfaktorisering, mångfaldsanpassning, autoassociativa avbildningar. (2) Övervakad modellering: Olika familjer av metoder för prediktion t.ex. modellbaserade, linjära, basexpansionsbaserade, lokala, additiva, trädbaserade, regelbaserade, neuronnätsbaserade, supportvektorbaserade, prototypbaserade. (3) Övergripande algoritmiska modelleringstekniker som ensemblemetoder, bagging, boosting och Bayesiansk inferens, prestandautvärdering, modellval, variabelselektion.

Undervisning

Föreläsningar, seminarier, datorövningar och projekt.

Examination

Teori 5 hp, Implementering och projekt 10 hp. För godkänd kurs krävs deltagande i minst 80% av implementerings- och projektmöten samt en godkänd projektrapport. Teoridelen examineras genom ett skriftligt prov samt obligatoriska inlämningsuppgifter.

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en enskild student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.

FÖLJ UPPSALA UNIVERSITET PÅ

facebook
instagram
twitter
youtube
linkedin