02582 Computerintensiv dataanalyse (2021/2022)

02582 Computerintensiv dataanalyse

2021/2022

Kursusinformation

Engelsk titel	Computational Data Analysis
Undervisningssprog	Engelsk
Point( ECTS )	5
Kursustype	Kandidat Kurset udbydes som enkeltfag

Skemaplacering	F2B (tors 8-12)
Undervisningens placering	Campus Lyngby
Undervisningsform	Tretten uger med forelæsninger og databarøvelser. Aktiviteterne veksler mellem øvelser og forelæsninger. Desuden udføres to cases.
Kursets varighed	13-uger
Eksamensplacering	F2B
Evalueringsform	Mundtlig eksamen og bedømmelse af opgave(r) Mundtlig eksamen med udgangspunkt i både øvelser, cases og forelæsninger. Karakteren gives ud fra en helhedsbedømmelse, og det er ikke muligt at bestå uden at en rapport og en poster fra hhv. første og anden case er godkendt.
Hjælpemidler	Skriftlige hjælpemidler er tilladt
Bedømmelsesform	7-trins skala , intern bedømmelse
Pointspærring	02581
Anbefalede forudsætninger	02409/02450/27411 , Det er tilstrækkeligt med et af ovenstående kurser. Alternativt et lignende kursus i videregående statistik eller dataanalyse. Kendskab til Matlab, R eller Python er en fordel.
Deltagerbegrænsning	Minimum 8 Maksimum: 100

Kursusansvarlig	Line Katrine Harder Clemmensen , Lyngby Campus, Bygning 324, Tlf. (+45) 4525 3764 , lkhc@dtu.dk
Institut	01 Institut for Matematik og Computer Science
Kursushjemmeside	http://www.imm.dtu.dk/courses/02582
Tilmelding	I studieplanlæggeren

Overordnede kursusmål

At bibringe studenten viden om avancerede computer intensive metoder til dataanalyse med applikationer indenfor fx life sciences. Dette inkluderer problemer med mange variable og relativt få observationer, billeder mv.

Læringsmål

En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

Evaluere cluster metoder og vælge passende parametre og metoder for givne data
Evaluere lineær diskriminant analyse og ridge regression
Evaluere og anvende krydsvalidering, bootstrapping og koncepter som overfitting.
Evaluere sparse regressions- og klassifikationsmodeller.
Evaluere logistisk regression og support vector klassifikation for 2-klasse problemer
Evaluere og fortolke Classification and Regression Trees (CART)
Evaluere bagging, boosting og random forests for klassifikation og regression.
Evaluere og fortolke sparse latente metoder som sparse principale komponenter og sparse partial least squares.
Evaluere forskellige usuperviserede dekompositions metoder
Sammenligne gennemgåede metoder teoretisk

Kursusindhold

Methods: Clustering, ridge regression, elastic net, sparse principale komponenter, sparse diskriminant analyse og Gaussian mixture analyse, logistisk regression, support vector machine, classification and regression trees, bagging, boosting, random forests, nonnegative matrix factorization, independent component analysis, sparse coding, archetypical analysis.
Case studies: Varies each year.

Sidst opdateret

29. april, 2021