Komplexa data - analys och visualisering
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, 27 april 2012
- 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.