Text

Prediktiv dataanalys

  • Högskolepoäng 2.5 hp
  • Studieort Ortsoberoende
  • $stringTranslations.StartDate 2022-09-12 - 2022-10-30 (deltid 25%)
  • Utbildningsnivå Avancerad nivå
  • Kurskod DVA478
  • Huvudområde Datavetenskap
  • Anmälningskod: MDU-24546

The course will give insights in fundamental concepts of machine learning and actionable forecasting using predictive analytics. It will cover the key concepts to extract useful information and knowledge from big data sets for analytical modeling

About this course

The course aims to give insights in fundamental concepts of machine learning for predictive analytics to provide actionable, i.e., better and more informed decisions in, forecasting. It covers the key concepts to extract useful information and knowledge from data sets to construct predictive modeling.

Introduction: overview of Predictive data analytics and Machine learning for predictive analytics.

Data exploration and visualization: presents case studies from industrial application domains and discusses key technical issues related to how we can gain insights enabling to see trends and patterns in industrial data.

Predictive modeling: consists of issues in construction of predictive modeling, i.e., model data and determine Machine learning algorithms for predicative analytics and techniques for model evaluation.

You will learn

  • Select suitable machine learning algorithms to solve a given problem for predictive data analytics.
  • Explore data and produce datasets suitable for analytical modeling.
  • Basics of machine learning for predictive analytics

Entry requirements

  • 90 credits of which at least 60 credits in Computer Science or equivalent, including 15 credits in programming as well as 2,5 credits in basic probability theory and 2,5 credits in linear algebra, or equivalent.
  • In addition English course A/English course 6 is required.

You can also apply for the course and get your eligibility evaluated based on knowledge acquired in other ways, such as work experience, other studies etc.

Course title in Swedish

Prediktiv dataanalys

Language

English

Teacher

Kursplan

Du kan läsa i detalj om utbildningen, dess innehåll och litteratur m.m. i kursplanen

Se kursplan

Apply to the course

Predictive Data Analytics

Go to application

Information om anmälan

Efter att du anmält dig behöver du eventuellt komplettera med dokument för att styrka din behörighet. De flesta svenska akademiska meriter hämtas automatiskt. Vänta några dagar efter att du skickat in din anmälan – om dina akademiska meriter fortfarande inte syns på Mina sidor ska du ladda upp dem. Om du har utländska meriter måste du ladda upp kopia på dem på antagning.se.

Om kursen du söker har krav på yrkeserfarenhet måste du ladda upp ett tjänstgöringsintyg som är underskrivet av din arbetsgivare. Du hittar mall för tjänstgöringsintyg nedan som du kan använda om du vill.

Inga akademiska meriter?

Kursen kräver att du har tidigare akademiska studier. Du som inte har det men har yrkeserfarenhet inom området kan bedömas på så kallad reell kompetens. Det innebär att det görs en bedömning av både formella meriter (betyg, examensbevis) och yrkeserfarenhet. Bedömningen görs för att avgöra om du har kunskaper som motsvarar behörighetskraven på kursen. Om du anser att du har kompetensen som krävs för kursen, ska du fylla i en CV/kompetensbeskrivning, mall finns nedan. Den ska innehålla:

• Utbildningar

• Relevant och aktuell arbetslivserfarenhet

• Kunskaper i engelska

• Övrigt du vill åberopa

Tänk på att ge en kort beskrivning av dina arbetsuppgifter, inte bara en titel.

Du behöver också ett underskrivet tjänstgöringsintyg från din arbetsgivare, mall att ladda ner finns nedan.

Ladda ner mallen CV/Kompetensbeskrivning Word, 27.6 kB, opens in new window.

Ladda ner mallen Tjänstgöringsintyg Word, 25.5 kB, opens in new window.

Om du har frågor om anmälan är du välkommen att kontakta oss genom att mejla till lifelonglearning@mdu.se

FutureE

The courses are part of the FutureE project where MDU offers online courses in the areas of AI, Environmental and Energy Engineering, Software and Computer Systems Engineering.

For companies that want to collaborate on competence development
Till toppen