DM864: Advanced Data Mining
Det Naturvidenskabelige Studienævn
Undervisningssprog: På dansk eller engelsk afhængigt af underviser, men engelsk ved internationale studerende
EKA: N340084112, N340084102
Censur: Intern prøve, en bedømmer, Ekstern prøve
Bedømmelse: Bestået/Ikke bestået, 7-trinsskala
Udbudssteder: Odense
Udbudsterminer: Efterår
Niveau: Kandidat
STADS ID (UVA): N340084101
ECTS-point: 5
Godkendelsesdato: 09-03-2020
Varighed: 1 semester
Version: Arkiv
Kommentar
Indgangskrav
Faglige forudsætninger
Studerende, der følger kurset, forventes at:
- Have en basal forståelse for sandsynlighed og matematik;
- Have kendskab til programmering;
- Have kendskab af grundelementer af unsupervised data mining, fx, fra kurset DM555 eller fra kurset DM843 (kan kombineres med kurset).
Formål
Kurset har til formål at sætte den studerende i stand til at forstå og at anvende avancerede data mining metoder, fx ensemble metoder for clustering og outlier detection eller metoder for høj dimensional data (fx, subspace clustering), hvilket er vigtigt i forhold til at håndtere med kompleks, vanskelige og høj dimensional data i forskellige anvendelser.
Kurset bygger oven på den viden, der er erhvervet i kurserne DM555 eller DM843, og giver et fagligt grundlag for at anvendt projekter eller skrive speciale i emner relateret til unsupervised analyse af kompleks, vanskelig og høj dimensional data.
I forhold til uddannelsens kompetenceprofil har kurset eksplicit fokus på at:
- Give kompetence til at beskrive, analysere og løse avancerede problemstillinger i unsupervised data mining ved anvendelse af de lærte modeller og metoder.
- Give kompetence til at analyse fordelene og ulemper ved forskelige metoder på avanceret unsupervised data mining.
- Give færdigheder i tilstrækkelig brug af de lærte modeller og metoder.
- Give viden og forstand om udvælgelse af specialiseret modeller og metoder på unsupervised data mining med ensemble tekniker eller adaptioner til høj dimensional data, herunder metoder fra fagets forskningsfront.
Målbeskrivelse
For at opnå kursets formål er det læringsmålet for kurset, at den studerende demonstrerer evnen til at:
- beskrive de data mining opgaver som præsenteres i kurset;
- beskrive de algoritmer og metoder som bliver præsenteret i kurset;
- beskrive de emner der bliver præsenteret i kurset i et præcist matematisk sprog;
- forklare de enkelte trin i de matematiske udledninger der præsenteres i kurset;
- anvende metoderne på andre problemstillinger end dem der bliver præsenteret i kurset;
- vurdere og reflektere over valg af design af data mining metoder for høj dimensional data og ensemble metoder.
Indhold
Kurset indeholder følgende faglige hovedområder:
- generelle principper og metoder for ensemble læring;
- specielle udfordringer og tilgange for ensemble clustering og ensemble outlier detection;
- udvalgte metoder for ensemble clustering og ensemble outlier detection;
- specielle udfordringer for data mining høj dimensional data;
- generelle tilgange for unsupervised læring i høj dimensional data;
- udvalgte metoder for subspace clustering;
- udvalgte metoder for høj dimensional outlier detection.
Litteratur
Eksamensbestemmelser
Forudsætningsprøve a)
Tidsmæssig placering
Efterår
Udprøvninger
Mundtlig præsentation
EKA
N340084112
Censur
Intern prøve, en bedømmer
Bedømmelse
Bestået/Ikke bestået
Identifikation
Studiekort
Sprog
Følger, som udgangspunkt, undervisningssprog
Hjælpemidler
Oplyses på kurset.
ECTS-point
0
Uddybende information
Præsentation af en eller flere videnskabelige artikler i klassen
Forudsætningsprøven er en forudsætning for deltagelse i eksamenselement a)
Eksamenselement a)
Tidsmæssig placering
Januar
Forudsætninger
Type | Forudsætningsnavn | Forudsætningsfag |
---|---|---|
Delprøve | Forudsætningsprøve a) | N340084101, DM864: Advanced Data Mining |
Udprøvninger
Mundtlig eksamen
EKA
N340084102
Censur
Ekstern prøve
Bedømmelse
7-trinsskala
Identifikation
Studiekort
Sprog
Følger, som udgangspunkt, undervisningssprog
Hjælpemidler
Nærmere beskrivelse af eksamensreglerne vil blive offentliggjort under Course Information på kursets side i BlackBoard’.
ECTS-point
5
Uddybende information
Eksamensformen ved reeksamen kan være en anden end eksamensformen ved den ordinære eksamen.
Vejledende antal undervisningstimer
Undervisningsform
På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.
- Introfase 24 timer
- Træningsfase 12 timer, heraf eksaminatorier 12 timer.
Aktiviteter i studiefasen:
- Læse lærebogen og artikler
- Løse hjemmeopgaver
- Anvende opnået viden i praktiske projekter