Datautvinning og dyplæring (DAT550)

Innhold

• Datarensing, transformasjon og forberedelse
• Dimensjonalitetsreduksjon, SVD, PCA
• Anbefalingssystemer
• Datautvinning fra grafer
• Klassifisering
• Nevrale nett og dyplæring
• Gruppering
• Utvinning av data fra datastrømmer  

Læringsutbytte

Kunnskap

Kandidaten har:

• avansert kunnskap innenfor fagområdet og spesialisert innsikt i teori og praksis om data forberedelse, utvelgelse og utvinning.
• inngående kunnskap om fagområdets vitenskapelige metoder.
• kan anvende kunnskap på nye områder innenfor datautvinning og dyplæring.

Ferdigheter

Kandidaten:

• kan analysere og forholde seg kritisk til ulike informasjonskilder og anvende disse til å strukturere og formulere faglige resonnementer for ulike datautvinningsoppgaver.
• kan analysere eksisterende teorier, metoder og fortolkninger innenfor fagområdet datautvinning og dyplæring og arbeide selvstendig med datautvinning og dyplæring
• kan bruke relevante datautvinningsmetoder som klynging (clustering), klassifisering, og datautvinning fra grafer og datastrømmer, vanlige mønstre, sammenhenger, dyplæring for forskning og faglig utviklingsarbeid på en selvstendig måte.
• kan gjennomføre et selvstendig, avgrenset forsknings- eller utviklingsprosjekt under veiledning og i tråd med gjeldende forskningsetiske normer som innebærer å implementere data mining pipelines, vurdere og stille parameterne for ulike data mining modeller ved hjelp av state-of-the-art verktøy.

Generell kompetanse

Kandidaten:

• kan analysere relevante fag-, yrkes- og forskningsetiske problemstillinger i datautvinning og dyplæring.
• kan anvende sine kunnskaper og ferdigheter på nye områder for å gjennomføre avanserte arbeidsoppgaver og prosjekter.
• kan formidle omfattende selvstendig arbeid om datautvinning og  dyplæring problemstillinger.
• kan kommunisere problemstillinger, analyser og konklusjoner innenfor fagområdet, både med spesialister og allmennheten.
• kan bidra til nytenking og i innovasjonsprosesser i datautvinning og  dyplæring.
• Identifisere de teoretiske og praktiske utfordringene bak ulike data mining og dyplæringsteknikker. Kan liste opp og beskrive styrker, begrensninger og avveininger mellom ulike data mining teknikker og velge de riktige teknikker for å løse datavitenskapelige problemer for ulike applikasjoner.

Forkunnskapskrav

Anbefalte forkunnskaper

Eksamen / vurdering

Vilkår for å gå opp til eksamen/vurdering

Tre obligatoriske øvelser / programmeringsoppgaver som må være godkjent. Disse evalueres til godkjent / ikke godkjent.

Alle programmeringsøvelser må bestås for å få delta på skriftlig eksamen og for å få godkjent prosjekt.

Ferdigstillelse av obligatoriske laboratorieoppgaver skal gjøres innen angitte frister. Fravær på grunn av sykdom eller av andre årsaker skal meddeles laboratoriepersonalet snarest mulig. Man kan ikke forvente at bestemmelser for ferdigstillelse av laboratorieoppdragene på andre tidspunkter utføres med mindre avtale med laboratoriepersonalet er avtalt.

Hvis du ikke fullfører de tildelte laboratorieoppgavene i tide eller ikke har fått de godkjent, vil du ikke få adgang til eksamen.

Fagperson(er)

Emneansvarlig:

Faglærer:

Instituttleder:

Arbeidsformer

Åpent for

Emneevaluering

Det skal være en tidligdialog mellom emneansvarlig, studenttillitsvalgt og studentene. Formålet er tilbakemelding fra studentene for endringer og justering i emnet inneværende semester.

I tillegg skal det gjennomføres en digital emneevaluering minimum hvert tredje år. Den har som formål å innhente studentenes erfaringer med emnet.

Litteratur