732G12 · 7.5 credits · Basic level (G2F) · Statistik
Data Mining
Discontinued
67%
passed the latest ordinary exam
TEN2 · 29 Oct 2024 · 18 students
67%
passed the ordinary exams, all sittings over the last 5 years
TEN2 · 18 students
Part of 1 programme
Exam
TEN2 Examination
- VG
- G
- U
Ordinary exams
67% passed · 18 students
- 67%18
Re-exams
80% passed · 5 students
- 80%5
- Pass the re-exam: 80% (5 students), compared with 67% (18 students) on the ordinary exam
- Get VG: 13% (23 students)
Show small sittings (1)
Sittings with fewer than 5 students, often credit transfers or special sittings. They are not part of any figure on this page.
- 50%2
Other modules
Partial exams, hand-ins and labs. They are not part of the figures at the top.
Exam
TEN1 Examination
- G
No sittings with at least 5 students.
Show small sittings (1)
Sittings with fewer than 5 students, often credit transfers or special sittings. They are not part of any figure on this page.
- 100%1
Hand-in or lab
UPG3 Exercise
- G
Main rounds
100% passed · 35 students
- 100%11
- 100%10
- 100%14
Later rounds
No sittings with at least 5 students.
Hand-in or lab
UPG4 Assignment
- G
Main rounds
100% passed · 18 students
- 100%18
Later rounds
No sittings with at least 5 students.
Hand-in or lab
UPG5 Assignment
- G
Main rounds
100% passed · 18 students
- 100%18
Later rounds
No sittings with at least 5 students.
Other module
DAT1 Examination
- VG
- G
- U
Main rounds
58% passed · 31 students
- 70%10
- 67%9
- 42%12
Later rounds
83% passed · 6 students
- 83%6
- Pass a later round: 83% (6 students), compared with 58% (31 students) on the ordinary exam
- Get VG: 14% (37 students)
Show small sittings (4)
Sittings with fewer than 5 students, often credit transfers or special sittings. They are not part of any figure on this page.
- 100%1
- 100%3
- 100%4
- 100%3
About the course
Aim
Efter avslutad kurs ska den studerande kunna:
- beskriva vanliga begrepp och metoder inom Data Mining och maskininlärning
- identifiera, välja och skatta modeller inom Data Mining-områden
- identifiera, välja och använda algoritmer på Data Mining-problem
- använda programvara för att genomföra analyser
- validera, utvärdera och kritiskt granska resultat av en utförd analys inom Data Mining
- presentera och kritiskt diskutera resultat av utförda analyser både skriftligt och muntligt
- kritiskt bedöma kvaliteten i givna datamängder
- kombinera lämpliga metoder för analys av en given datamängd
- värdera de generaliseringsmöjligheter som kan göras med valda metoder utifrån en given datamängd
- utföra uppgifter inom givna tidsramar
Content
I kursen behandlas:
- grundläggande begrepp inom Data Mining och maskininlärning
- variabelselektion, regularisering och modellval
- metoder för att generalisera slutsatser, exempelvis datauppdelning i träning- och testmängder
- icke-linjär klassificering och regression
- modeller inom maskininlärning, exempelvis trädmodeller, neurala nätverk, k-närmaste grannar, splines, generaliserade additiva modeller
- ensemblemetoder, exempelvis bagging och boosting
- metoder för klusteranalys, exempelvis k-means, k-medoid, täthets- och hierarkiska klustringsmetoder, samt metoder för att utvärdera klusteranalys
- Examiner
- Josef Wilzén
- Main field of study
- Statistik