Behörighetskrav

120 hp med 25 hp matematik, inklusive matematisk statistik, och 45 hp datavetenskap och/eller teknik, inklusive Databasteknik I och en fortsättningskurs i programmering. Algoritmer och datastrukturer I rekommenderas. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)

Mål

Efter godkänd kurs ska studenten kunna:

• förklara olika metoder att utvinna förädlad information ur stora datamängder, både i teori och i praktisk tillämpning
• använda dessa metoder med lämpliga verktyg
• utvärdera och jämföra olika metoders lämplighet
• göra bedömningar med hänsyn till relevanta vetenskapliga, samhälleliga och etiska aspekter i tillämpning av informationsutvinning
• lösa informationsutvinningsproblem i grupp.

Innehåll

Introduktion till informationsutvinning och dess terminologi, översikt över olika typer av data (t.ex. tabeller, text, grafer) och dess egenskaper, en översikt över olika metoder för att utforska stora datamängder, datapreparering (t.ex. normalisering, PCA), introduktion till klassificeringsmetoder (t.ex. k-NN, C4.5), introduktion till klustringsmetoder (t.ex. k-means, single-link, DB-Scan, grafklustringsalgoritmer), introduktion till associationsanalys (t.ex. a priori), hantering av personlig integritet inom området informationsutvinning, validering.

Ämnena behandlas både teoretiskt och praktiskt genom laborationer där utvalda metoder implementeras och testas på typiska datamängder.

Undervisning

Föreläsningar, seminarier, laborationer och projekt. Gästföreläsning.

Examination

Skriftlig tentamen och ett projekt som redovisas muntligt och skriftligt.

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.