
DM864: Advanced Data Mining
Indgangskrav
Faglige forudsætninger
- Have en basal forståelse for sandsynlighed og matematik;
- Have kendskab til programmering;
- Have kendskab af grundelementer af unsupervised data mining, fx, fra DM555, DM566, DM583, DM843, DM868, DM870, eller DS804.
Kurset bygger oven på den viden, der er erhvervet i kurserne DM555, DM566, DM583, DM843, DM868, DM870, eller DS804, og giver et fagligt grundlag for at anvendt projekter eller skrive speciale i emner relateret til unsupervised analyse af kompleks, vanskelig og høj-dimensionelle data.
Formål
Målbeskrivelse
- 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;
- forstå videnskabelig litteratur om de dækkede emner og præsentere videnskabelige resultater i klassen;
- deltage i en meningsfuld diskussion om beslægtede videnskabelige emner præsenteret af andre.
Indhold
- 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
Udprøvninger
Mundtlig præsentation
EKA
Censur
Bedømmelse
Identifikation
Sprog
Hjælpemidler
Oplyses på kurset.
ECTS-point
Uddybende information
Præsentation af en eller flere videnskabelige artikler i klassen
Forudsætningsprøven er en forudsætning for deltagelse i eksamenselement a)
Eksamenselement a)
Tidsmæssig placering
Forudsætninger
Type | Forudsætningsnavn | Forudsætningsfag |
---|---|---|
Delprøve | Forudsætningsprøve a) | N340084101, DM864: Advanced Data Mining |
Udprøvninger
Rapport
EKA
Censur
Bedømmelse
Identifikation
Sprog
Hjælpemidler
ECTS-point
Uddybende information
Vejledende antal undervisningstimer
Undervisningsform
Skemalagte undervisningstimer:
Antal undervisningstimer i alt: 30
Heraf:
Fællestimer i klasselokale/auditorium: 30
I forelæsninger introduceres koncepter, teorier og modeller og sættes i perspektiv. I øvelser træner eleverne deres færdigheder gennem øvelser og graver dybere ned i faget.
Andre planlagte undervisningsaktiviteter:
- Læse lærebogen og artikler
- Løse hjemmeopgaver
- Anvende opnået viden i praktiske projekter
De studerende får akademiske, personlige og sociale erfaringer, der konsoliderer og videreudvikler deres videnskabelige færdigheder. Fokus er på fordybelse, forståelse og udvikling af samarbejdsevner.
Ansvarlig underviser
Skemaoplysninger
Administrationsenhed
Team hos Registratur
Udbudssteder
Anbefalede studieforløb
Overgangsordninger
Se overgangsordninger for alle kurser på Det Naturvidenskabelige Fakultet.