Modulets indhold, forløb og pædagogik

FORMÅL
Dette modul sætter de studerende i stand til at lave en sammenhængende data analytics løsning til håndtering og analyse af data hele vejen fra indsamling af data til forudsigelsesmodeller.  

BEGRUNDELSE 
I dette modul tilegner de studerende sig viden om modeller, metoder, teknikker og værktøjer til lagring, håndtering, processering og analyse af data til data analytics. Efter endt modul vil de studerende kunne modellere multidimensionelt data og designe passende skemaer og/eller lagringsformater. De vil kunne rense, præ-processere og transformere data fra forskellige kilder til et integreret analytisk datalager. De vil kunne formulere analytiske forespørgsler, bruge teknikker til at beskrive data og finde mønstre i data, og bygge grundlæggende maskinlæringsmodeller til forudsigelse af data. Endelig vil de for en given data analytics-problemstilling kunne træffe reflekterede valg af modeller, teknikker og værktøjer

Læringsmål

Viden

Gennem kurset skal de studerende opnå viden om modeller, metoder, teknikker og værktøjer til en sammenhængende data analytics løsning f.eks: 

Data Warehousing, herunder 

• Integration af mange datakilder
• Rensning og præ-processering af data 
• Opbygning af et data warehouse: Extract, Transform, Load (ETL) 
• Data warehouse værktøjer

Multidimensionelle databaser og On-line Analytical Processing (OLAP), herunder 

• Multidimensionel modellering 
• Håndtering 
• OLAP-forespørgsler 
• OLAP-værktøjer 

Deskriptiv dataanalyse, herunder 

• Histogrammer 
• Korrelationsplots 
• Værktøjer til deskriptiv dataanalyse 

Grundlæggende data mining, herunder 

• Klyngeanalyse (clustering) 
• Sammenhængsregler (association rules) 
• Værktøjer til data mining 

Grundlæggende maskinlæringsmodeller til forudsigelse af data, herunder 

• Grundlæggende klassifikationsmodeller 
• Lineær regression  
• Værktøjer til forudsigelse af data 

De studerende skal kunne forholde sig kritisk og refleksivt i forhold til disse teoretiske emner

Færdigheder

Efter at have gennemført modulet skal de studerende

• kunne anvende modeller, metoder, teknikker og værktøjer fra ovennævnte områder til at identificere, analysere, vurdere og komme med forslag til løsning af konkrete problemstillinger i praksis
• kunne argumentere for relevansen af de valgte modeller, metoder, teknikker og værktøjer samt for det udarbejdede løsningsforslag
• kunne reflektere over betydningen for den sammenhæng, løsningen indgår i

Kompetencer

Konkret forventes det, at de studerende efter gennemførelse af kurset er i stand til at: 

• Modellere, designe og implementere et analytisk datalager (data warehouse) med passende skemaer og/eller lagringsformater ved hjælp af multidimensionel modellering  
• Integrere, rense, præ-processere og transformere data fra flere forskellige datakilder, herunder benytte Extract-Transform-Load værktøjer 
• Analysere data ved hjælp af On-Line Analytical Processing (OLAP) deskriptiv dataanalyse teknikker og værktøjer 
• Finde mønstre i data ved hjælp af data mining teknikker og værktøjer 
• Forudsige data ved hjælp af grundlæggende maskinlærings modeller og værktøjer 

Undervisningsform

Undervisningen tilrettelægges i henhold til de generelle undervisningsformer for uddannelsen jf. § 17

Omfang og forventet arbejdsindsats

Det forventes at den studerende bruger 30 timer per ECTS, hvilket for denne aktivitet betyder 300 timer.

Eksamen

Prøver

Yderligere informationer

Kontakt: Studienævn for datalogi via cs-sn@cs.aau.dk eller 9940 8854