English | Log ind

62T22 Anvendt Machine Learning og Big Data

2025/2026

Kursusinformation
Applied Machine Learning and Big Data
Engelsk
10
Deltidsdiplom
Undervisning én aften om ugen kl. 17.00-20.30 over 14 uger. Opstart: Se hjemmesiden.
Campus Ballerup
Forelæsning, gruppeøvelser og -diskussioner, egne cases, eksperimenter og kobling til egen ledelsespraksis.
[Kurset følger ikke DTUs normale skemastruktur]
Aftales med underviser, Eksamen planlægges af sekretariatet på DTU Learn for Life.
Mundtlig eksamen og bedømmelse af rapport(er)
Individuel mundtlig prøve kombineret med skriftlig projektopgave. Opgavens omfang: 1 studerende: Minimum 10 normalsider og maksimum 20 sider inkl. grafiske afsnit, 2 studerende: Minimum 15 normalsider og maksimum 25 sider inkl. grafiske afsnit og 3 studerende: Minimum 20 normalsider og maksimum 30 sider inkl. grafiske afsnit.
7-trins skala , ekstern censur
62T33
62527. 62533
Optagelse på IT-Diplomuddannelsen forudsætter: - At ansøger har gennemført en relevant adgangsgivende uddannelse min. på niveau med en erhvervsakademiuddannelse eller en relevant videregående voksenuddannelse. - At ansøger har mindst to års erhvervserfaring efter gennemført adgangsgivende uddannelse.
Lynn Eriksen , Ballerup Campus, Bygning Ballerup , lyka@dtu.dk
Lei You (Primær kontaktperson) , Ballerup Campus, Bygning Ballerup , leiyo@dtu.dk
62 Institut for Ingeniørteknologi og -didaktik
https://lifelonglearning.dtu.dk/en...ng-og-big-data/
På instituttet
Ca. 3 uger før kursusstart
https:/​/​lifelonglearning.dtu.dk/​engineering-technology/​diplom/​anvendt-machine-learning-og-big-data/​
Overordnede kursusmål
At sætte deltagerne i stand til at anvende machine learning værktøjer og metoder til dataanalyse og håndtering af store datamængder - og kunne reflektere over grundlaget
for etablering af et Big Data distribueret analysemiljø i egen organisation.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • Få viden om og forståelse af terminologien for maskinlæring og moderne kunstig intelligens.
  • Have viden om relevante open source programmeringssprog og statistikprogrammer og kunne reflektere over implikationerne af valg af disse.
  • Få viden om grundlaget for machine learning samt hvordan maskinlæringsmodellerne implementeres fra bunden.
  • Have forståelse af dataselektering og funktionsberegning.
  • Reflektere over grundlaget for etablering af et Big Data distribueret analysemiljø.
  • Begrunde, vælge, konfigurere og validere et eller flere machine learning værktøjer til analyse og visualisering.
  • Anvende relevant open source programmeringssprog til analyse og visualisering af enorme mængder af data.
  • Foretage systematisk indsamling, oprensning, lagring, analyse og rapportering af en virksomheds store heterogene datamængder herunder ikke komplette data-frames.
  • På et begrundet valg anvende en dataselekterings- og funktionsmodel og tilhørende værktøjer på egne data.
  • Viden om konfigurering af eget miljø til distribueret analyse af store datamængder.
  • Begrunde og bidrage til transformation af egen virksomhedsinformation baseret på systematisk indhentning, rensning, analyse og rapportering af virksomhedsdatasæt.
Kursusindhold
- Matematiske grundlag for maskinlæring.
- Lineær regression, ridge regression.
- Logistisk regression, perceptron og flerlagsperceptron til klassifikationer.
- Clustering algoritmer, såsom K-middel og Spectral clustering.
- Dyb læring, f.eks. dybt neuralt netværk og backpropagation, convolutional neuralt netværk.
- Resampling metoder, herunder krydsvalidering, bias-variance trade-off og bootstrap.
- Avancerede emner såsom kernemetoder, ensemblemodeller.
- Analytisk validering, a/b test, modelforklarlighed.
Litteraturhenvisninger
https:/​/​www.polyteknisk.dk/​home/​akademi/​cv
Bemærkninger
DTU Engineering Technology efteruddannelse
Valgmodul (Vf15), IT-Diplomuddannelsen
AI, Matematik og software
Sidst opdateret
02. juli, 2025