SNY har ordet

Det finns inga aktuella kommentarer för kursen. Om du har läst kursen får du gärna kontakta SNY med en kommentar för att förbättra kommande upplagor av Y-arens guide till galaxen.

Innehåll

Associeringsanalys: begrepp och metoder i samband med frequent item sets och associeringsregler såsom Apriori principen, FP-tillväxt, utvärdering av associeringsregler. Klustring: begrepp och metoder i samband med klustring, partitionella klustringsmetoder, hierarkiska klustringsmetoder, densitets-baserad klustring, utvärdering av klustringsmetoder

Mål

Kursen lägger grunden för professionellt arbete och forskning där stora mängder av data utforskas, ändras, modelleras och utvärderas för att upptäcka tidigare okända mönster och trender. Kursen fokuserar på klustring och associeringsanalys. Efter avslutad kurs skall studenten kunna:

• förstå och använda viktig terminologi i data mining
• förstå och använda teorin bakom klustring och associeringsanalys
• använda kunskap om teknik för klustring och associeringsanalys
• visa insiktsfull bedömning av kvaliteten på ett visst dataset och informationsinnehållet som klustring och associeringsanalys kan baseras på
• använda och utvärdera verktyg för klustring och associeringsanalys

 

Examinationsmoment

LAB1 - 2,0 HP
Laborationskurs (U, G)
TEN1 - 4,0 HP
Skriftlig tentamen (U, 3, 4, 5)

Organisation

Undervisningen omfattar föreläsningar och datorlaborationer. Föreläsningar ägnas åt teori, begrepp och metoder. Under laborationerna utförs ett antal uppgifter som illustrerar principerna.

Litteratur

Böcker

• Jiawei Han, Micheline Kamber, Jian Pei, (2011) Data Mining - Concepts and Techniques 3 Morgan-Kaufmann
  ISBN: 978-0123814791

Övrigt

• Artikelsamling 2018.

Relaterade profiler

Datadriven analys och maskinintelligens DAMI - ISY

Rekommenderade förkunskaper

Kursen kräver förkunskaper i programmering, diskret matematik, datastrukturer och algoritmer och databaser.

Kommentarer

Logga in för att kunna läsa och skriva kommentarer.