Anbefalede faglige forudsætninger for at deltage i modulet

Modulets indhold, forløb og pædagogik

Læringsmål

Viden

• har opnået en forståelse af computerintensive teknikker til at validere modeller (kryds-validering og bootstrap) samt kunne redegøre for varians-bias problematikken
• har kendskab til forskellige metoder til at visualisere høj-dimensionale data
• har forståelse for forskellen mellem klassifikation og regression, samt kende til metoder til at udføre klassifikation vha. klassifikationstræer, prototype metoder samt Bayes classifiers
• kan redegøre for supervised og unsupervised metoder inden for statistical learning
• kan redegøre for analysen af transaktionsdata vha. associationsregler
• kan udføre link mining for netværksdata fx. internetsider
• har viden om metoder til at udføre hierarkisk og partitionel klyngeanalyse
• har viden om model averaging og bagging samt boosting

Færdigheder

• er i stand til at identificere og anvende en relevant data mining algoritme i en specifik kontekst
• kan identificere og diskutere svagheder/styrker ved forskellige data mining algoritmer i relation til en specifik analyse opgave
• kan fortolke og kommunikere resultaterne af en given data mining analyse til ikke-specialister

Kompetencer

• har evnen til at kunne overskue potentialer og begrænsninger af forskellige data mining software pakker
• har forståelsen til kvalificeret at vælge og anvende et specifikt stykke software som imødekommer brugerkrav

KOMPETENCEMÅL GÆLDENDE FOR STUDERENDE DER LÆSER PÅ KANDIDATNIVEAU, MEN FØLGER UNDERVISNING PÅ BACHELORNIVEAU:

• Kunne reflektere over fagområdets tilgang til faglige problemstillinger på højt niveau og dets relation til andre fagområder.
• Kunne inddrage vidensområdet i løsningen af komplekse faglige problemstillinger og dermed opnå ny forståelse af et givet genstandsområde.

Omfang og forventet arbejdsindsats

Kursusmodulets omfang er 5 ECTS svarende til 150 timers studieindsats.
 

Eksamen

Prøver