Kursplan för Beräkningsvetenskap för dataanalys

Scientific Computing for Data Analysis

Det finns en senare version av kursplanen.

Kursplan

  • 5 högskolepoäng
  • Kurskod: 1TD352
  • Utbildningsnivå: Grundnivå
  • Huvudområde(n) och successiv fördjupning: Datavetenskap G2F, Teknik G2F

    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: 2022-03-03
  • Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: HT 2022
  • Behörighet:

    60 hp inklusive programmeringskurs i Python (exempelvis Programmeringsteknik I) och Algebra och geometri/Linjär algebra I. En av kurserna Introduktion till beräkningsvetenskap och Beräkningsvetenskap I ska vara genomgången. Genomgången kurs Sannolikhet och statistik. Linjär algebra II/Linjär algebra för dataanalys ska vara genomgången eller läsas parallellt.

  • Ansvarig institution: Institutionen för informationsteknologi

Mål

Efter godkänd kurs ska studenten kunna: 

  • redogöra för och utföra uppgifter som kräver kännedom om de nyckelbegrepp som ingår i kursen;
  • beskriva, använda och implementera de algoritmer som ingår i kursen;
  • analysera olika algoritmers beräknings- och minneskomplexitet;
  • lösa tekniska och naturvetenskapliga problem givet matematisk modell, genom att strukturera problemet, välja lämplig numerisk metod, samt generera lösning med hjälp av programvara och egen kod;·      
  • presentera, förklara, sammanfatta, värdera och diskutera lösningsmetoder och resultat i en mindre rapport. 

Innehåll

Stokastiska modeller, Monte-Carlo metoder, Inverse Transform Sampling (ITS), stokastisk simulering, Gillespies algoritm. Minsta kvadratapproximation med tillämpning på linjära system och regressionsmodeller. QR-faktorisering och Householder transformer. Metoder för egenvärden och egenvektorer (potensmetoden och QR-metoden). Singulärvärdesuppdelning (SVD) och Principalkomponentanalys med tillämpningar. Viktiga nyckelbegrepp som ingår i kursen är bl.a. stokastisk/deterministisk modell och metod, rotationer och speglingar, matrisfaktorisering, singulära värden.

Undervisning

Föreläsningar, laborationer, räkneövningar.

Examination

Skriftlig tentamen (3 hp). Räkneövningar och inlämningsuppgifter som redovisas in en mindre rapport (2 hp).

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.

Versioner av kursplanen

Litteratur

Litteraturlista

Gäller från: HT 2022

I bibliotekets söktjänst kan du se om en titel finns elektroniskt.

  • Föreläsningsanteckningar och webbaserat material

    Institutionen för informationsteknologi,

Skriv ut kursplan och litteraturlista
Skriv ut