Kursplan - Maskininlärning med Big Data
Omfattning
7.5 hp
Kurskod
DVA453
Giltig från
Hösttermin 2017
Utbildningsnivå
Avancerad nivå
Successiv fördjupning
A1N (Avancerad nivå, har endast kurs/er på grundnivå som förkunskapskrav).
Huvudområde(n)
Datavetenskap
Akademi
Akademin för innovation, design och teknik
Fastställd
2017-01-31
Litteraturlistor
Kurslitteraturen är preliminär till 8 veckor innan kursstart. Kurslitteratur kan vara giltig över flera terminer.
Syfte
Den snabba utvecklingen av digital teknik och framsteg inom kommunikationer gör att det idag produceras en gigantisk mängd data varje dag med komplexa strukturer som kallas "Big data” och detta växer dessutom exponentiellt. Syftet med kursen är att ge studenterna insikter i grundläggande begrepp inom maskininlärning med Big data samt den senaste forskningsutvecklingen inom området. Studenterna kommer att lära sig om problem och industriella utmaningar av flera fallstudier inom området. Vidare kommer studenterna att lära sig att använda verktyg för att utveckla system som använder algoritmer för maskininlärning i Big data.
Lärandemål
Efter avslutad kurs ska studenten kunna:
1. beskriva och förstå de grundläggande principerna för maskininlärning och Big Data
2. uppvisa förmåga att identifiera de viktigaste utmaningarna för att använda Big Data med maskininlärning
3. visa förmåga att välja lämpliga algoritmer för maskininlärning för att lösa ett givet problem för Big Data
4. visa förmåga att använda verktyg för analys av stora datamängder och presentera analysresultatet
Innehåll
Modul 1. Inledning och bakgrund: introduktionen syftar till att granska Machine Learning (ML) och bearbetningstekniker för Big Data och relaterade delämnen med fokus på underliggande teman.
Modul 2. Fallstudier: presenterar fallstudier från olika tillämpningsområden och diskuterar viktiga tekniska frågor t.ex. bullerhantering, feature extraction, urval och inlärningsalgoritmer för att utveckla sådana system.
Modul 3. Maskininlärningstekniker vid analys av big data: denna modul består av grundläggande förståelse för inlärningsteori, association rule learning, klusteranalys och klassificeringstekniker lämpliga för utvecklingsarbete och problem angående konstruktion av system som använder Big Data.
Modul 4. Dataanalyser med verktyg: presenterar verktyg skrivna med öppen källkod t.ex. KNIME och Spark med exempel som vägleder genom den grundläggande analysen av Big Data.
Undervisning
Video-baserade föreläsningar på nätet, problembaserat lärande, tilldelade vetenskapliga artiklar (läsa, söka på nätet), chatt-rum/diskussionsforum.
Särskild behörighet
120 hp, varav 80hp inom datavetenskap eller motsvarande, inklusive minst 30hp programmering eller mjukvaruutveckling. Minst 18 månaders dokumenterad arbetslivserfarenhet inom mjukvaruutveckling eller relaterad verksamhet. Dessutom krävs Svenska B/Svenska 3 samt Engelska A/Engelska 6. I de fall kursen ges på engelska görs undantag från kravet på Svenska B/Svenska 3.
Examination
Inlämningsuppgift (INL1), (Modul 1), 1,0 hp, (examinerar lärandemål 1), Betyg Underkänd (U) eller Godkänd G
Inlämningsuppgift (INL2), (Modul 2), 1,5 hp, (examinerar lärandemål 2), Betyg Underkänd (U) eller Godkänd G
Inlämningsuppgift (INL3), (Modul 3), 2,0 hp, (examinerar lärandemål 3), Betyg Underkänd (U) eller Godkänd G
Övningsuppgift (ÖVN1), (Modul 4), 3 hp, (examinerar lärandemål 4), Betyg Underkänd (U) eller Godkänd G
En student som har ett intyg från MDU avseende sin funktionsnedsättning har möjlighet att anmäla önskemål om anpassning vid salstentamina eller annan examinationsform i enlighet med Regler och anvisningar för examination på grundnivå och avancerad nivå vid Mälardalens högskola (2020/1655). Det är examinator som, utifrån det intyg som utfärdats, beslutar om eventuell anpassning och i så fall vilken anpassning som ska gälla.
Misstankar om vilseledande vid examination (fusk) anmäls, enligt högskoleförordningen, till universitetets rektor och prövas av universitetets disciplinnämnd. Om disciplinnämnden anser att en student gjort sig skyldig till en disciplinförseelse fattar nämnden beslut om en disciplinär åtgärd, vilket är varning eller avstängning.
Betyg
Godkänd, underkänd