Mål
Formålet for modulet er, at den studerende tilegner sig en
anvendelsesorienteret forståelse for computationelle og
dataintensive metoder med fokus på prædiktive algoritmer og machine
learning. Metoderne kan anvendes på strukturerede og
ustrukturerede data i form af numerisk data, tekstdata og
billeddata, der er relevante i undersøgelser af
samfundsvidenskabeligesociale fænomener og problemstillinger. Målet
er, at de studerende tilegner sig den nødvendige viden om
computationelle metoder, der sætter dem i stand til at vælge,
analysere og præsentere samfundsvidenskabelige problemstillinger
med prædiktive metoder samtidig med, at de vil være i stand til at
forstå forskellen mellem modellernes output og mulighederne for
explainability.
Indhold
Kurset giver en videregående indsigt i computationel tænkning med
særlig fokus på dataintensive metoder og machine learning. Ved brug
af Python introduceres til en række udvalgte metoder; herunder NLP,
random forests, anomalidetektion og neurale netværk. Fokus er på
sammenhængen mellem samfundsvidenskabelige problemstillinger
og mulighederne/begrænsningerne i machine learning modeller.
Kurset afvikles som en kombination af forelæsninger, øvelser og e-læring.
Prøvens navn | Social Data Science II: Machine Learning i samfundsvidenskaben |
Prøveform | Skriftlig |
ECTS | 10 |
Bedømmelsesform | 7-trins-skala |
Censur | Ekstern prøve |
Vurderingskriterier | Vurderingskriterierne er angivet i Universitetets eksamensordning |
Engelsk titel | Social Data Science II: Machine Learning in Social Science |
Modulkode | KASOC2022D10 |
Modultype | Kursus |
Varighed | 1 semester |
Semester | Forår
|
ECTS | 10 |
Undervisningssprog | Dansk |
Undervisningssted | Campus Aalborg |
Modulansvarlig |
Studienævn | Studienævn for Sociologi |
Institut | Institut for Sociologi og Socialt Arbejde |
Fakultet | Det Humanistiske og Samfundsvidenskabelige Fakultet |