Kursplan för Informationsutvinning I
Data Mining I
Det finns en senare version av kursplanen.
Kursplan
- 5 högskolepoäng
- Kurskod: 1DL360
- Utbildningsnivå: Avancerad nivå
-
Huvudområde(n) och successiv fördjupning:
Datavetenskap A1N,
Teknik A1N
Förklaring av koder
Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:
Grundnivå
- G1N: har endast gymnasiala förkunskapskrav
- G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
- G1E: innehåller särskilt utformat examensarbete för högskoleexamen
- G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
- G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
- GXX: kursens fördjupning kan inte klassificeras
Avancerad nivå
- A1N: har endast kurs/er på grundnivå som förkunskapskrav
- A1F: har kurs/er på avancerad nivå som förkunskapskrav
- A1E: innehåller examensarbete för magisterexamen
- A2E: innehåller examensarbete för masterexamen
- AXX: kursens fördjupning kan inte klassificeras
- Betygsskala: Underkänd (U), godkänd (3), icke utan beröm godkänd (4), med beröm godkänd (5)
- Inrättad: 2010-03-18
- Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
- Reviderad: 2015-04-29
- Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
- Gäller från: HT 2015
-
Behörighet:
120 hp med 30 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.
- Ansvarig institution: Institutionen för informationsteknologi
Mål
Efter godkänt 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.
Innehåll
Introduktion till informationsutvinning och dess terminologi, översikt över olika typer av data och dess egenskaper, en översikt över olika metoder för att utforska och visualisera stora datamängder, introduktion till klassificeringsmetoder, introduktion till klustringsmetoder, introduktion till associationsanalys, hantering av personlig integritet inom området informationsutvinning.
Ämnena behandlas både teoretiskt och praktiskt genom laborationer där utvalda metoder implementeras och testas på typiska datamängder.
Undervisning
Föreläsningar, seminarier, laborationer och inlämningsuppgifter. Gästföreläsning.
Examination
Skriftlig tentamen (3 hp) och uppgifter som redovisas muntligt och skriftligt (2 hp).
Versioner av kursplanen
Litteratur
Litteraturlista
Gäller från: HT 2015
I bibliotekets söktjänst kan du se om en titel finns elektroniskt.
-
Tan, Pang-Ning;
Steinbach, Michael;
Kumar, Vipir
Introduction to Data Mining
1st or international edition: Addison-Wesley, 2006