- Grundläggande metoder: mönsterigenkänning, maskininlärning, dataanalys, datavisualisering, nätverksanalys och vanligen använda verktygslådor för data mining och visualisering av stora datamängder.
- Fallstudier (seminarium): studenter studerar utvalda fall och använder kursmetoder för analys och datavisualisering.
- Små studentprojekt: studenterna använder big data-metoder till, exempelvis, att studera konsumentmedieanvändning och köpbeteenden. Presenteras som en kort forskningsrapport.
DM2583 Big data i medieteknik 7,5 hp
Kursen är en teori- och metodkurs baserad på föreläsningar, seminarier och studentprojekt , där vi diskuterar essensen av storskalig dataanalys (big data och data mining), främst som en uppsättning användbara vetenskapliga metoder och deras tillämpningar i media och dagens informationssamhälle.
Om kursomgång
Gäller för kursomgång
HT 2024 bdata programstuderande
Målgrupp
Sökbar för alla program från år 3 och för studenter antagna till ett masterprogram, under förutsättning att kursen kan ingå i programmet..
Del av program
Masterprogram, interaktiv medieteknik, åk 1, Villkorligt valfri
Masterprogram, interaktiv medieteknik, åk 2, Villkorligt valfri
Perioder
P1 (7,5 hp)Varaktighet
Studietakt
50%
Undervisningsform
Normal Dagtid
Undervisningsspråk
Engelska
Studielokalisering
KTH Campus
Antal platser
Ingen platsbegränsning
Planerade schemamoduler
Kurs-PM
Kurs-PM är inte publiceratSchema
Länk till SchemaKursval
Gäller för kursomgång
HT 2024 bdata programstuderande
Anmälningskod
50326
Kontakt
Gäller för kursomgång
HT 2024 bdata programstuderande
Examinator
Ingen information tillagdKursansvarig
Ingen information tillagdLärare
Ingen information tillagdInnehåll och lärandemål
Kursinnehåll
Lärandemål
Efter godkänd kurs ska studenten kunna
- redogöra för grundläggande metoder, tekniker och verktyg inom storskalig dataanalys
- använda vetenskapliga big data-tekniker, -verktyg och -metoder för att lösa praktiska problem inom medieteknik
- utföra de viktigaste stegen i big data-arbete från att samla, förbereda och modellera data till utvärdering och spridning av resultaten,
- förklara viktiga maskininlärningsbegrepp såsom attributextraktion, korsvalidering, generalisering och överanpassning, prediktion och dimensionalitetens förbannelse
- redogöra för hur vanligt förekommande datamodelleringsmetoder fungerar, vad deras tillämpningar är och beskriva deras antaganden och begränsningar
- tillämpa vanliga datamodelleringsramverk, tekniker och verktyg inom ett brett spektrum av medietillämpningsområden
- tillämpa och utvärdera resultat som härrör från användning av vanliga datamodelleringsramverk med hjälp av Matlab eller Python.
Kurslitteratur och förberedelser
Särskild behörighet
Kandidatexamen eller motsvarande. SF1604 Linjär Algebra, SF1625 Envariabelanalys, SF1626 Flervariabelanalys, SF1901 Sannolikhetslära och statistik eller motsvarande. Grundläggande kunskaper i Matlab eller Python.
Rekommenderade förkunskaper
Utrustning
Kurslitteratur
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- LIT1 - Litteraturuppgift, 2,5 hp, betygsskala: P, F
- PRO1 - Projektuppgift, 5,0 hp, betygsskala: A, B, C, D, E, FX, F
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter.
Möjlighet till komplettering
Möjlighet till plussning
Examinator
Etiskt förhållningssätt
- Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
- Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
- Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.