Data Mining

Mål

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

Innehåll

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