- Grundläggande definitioner inom grafteori, starka och svaga band, graddistribution och klustringsmått.
- Erdos-Renyi, Wats-Strogatz, konfigureringsmodell, effekten av en "liten värld".
- Slumpmässig grafvandring, Page Rank.
- Grafklustring, identifiering av "communities".
- Algoritmen "Label Propagation", länkprediktion.
- Grunder i maskininlärning av grafrepresentationer.
ID2211 Datautvinning, grundkurs 7,5 hp
I kursen studeras grunderna i datautvinning med speciellt fokus på informationsnätverksanalys och utvinning.
Information per kursomgång
Välj termin och kursomgång för att se aktuell information och mer om kursen, såsom kursplan, studieperiod och anmälningsinformation.
Information för VT 2026 Start 2026-03-16 programstuderande
- Studielokalisering
KTH Campus
- Varaktighet
- 2026-03-16 - 2026-06-01
- Perioder
VT 2026: P4 (7.5 hp)
- Studietakt
50%
- Anmälningskod
60482
- Undervisningsform
Normal Dagtid
- Undervisningsspråk
Engelska
- Kurs-PM
- Kurs-PM är inte publicerat
- Antal platser
Ingen platsbegränsning
- Målgrupp
- Öppen för alla masterprogram under förutsättning att kursen kan ingå i programmet.
- Planerade schemamoduler
- [object Object]
- Schema
- Schema är inte publicerat
Kontakt
Kursplan som PDF
Notera: all information från kursplanen visas i tillgängligt format på denna sida.
Kursplan ID2211 (VT 2023–)Rubriker med innehåll från kursplan ID2211 (VT 2023–) är markerade med en asterisk ( )
Innehåll och lärandemål
Kursinnehåll
Lärandemål
Efter godkänd kurs ska studenten kunna
- förklara olika fundamentala begrepp och algoritmer i datautvinning samt grundläggande tekniker för informationsnätverksanalys och utvinning (till exempel de fundamentala begreppen i grafteori, nätverksmodeller, algoritmer for grafklustring, identifiering av "communities", "Label Propagation", länkprediktion, etcetera)
- analysera, välja, använda, och utvärdera tekniker för datautvinning som bygger på ovanstående koncept, samt självständigt utforska och implementera existerande datautvinningsalgoritmer
- kommunicera fynd, resultat och idéer med klart och formellt språk.
Kurslitteratur och förberedelser
Särskild behörighet
Ingen information tillagd
Rekommenderade förkunskaper
Grundläggande bekantskap med sannolikhetslära, linjär algebra och förmåga att skriva icketriviella datorprogram.
Kurslitteratur
Du hittar information om kurslitteratur antingen i kursomgångens kurs-PM eller i kursomgångens kursrum i Canvas.
Examination och slutförande
Betygsskala
A, B, C, D, E, FX, F
Examination
- PRO1 - Projekt, 3,0 hp, betygsskala: P, F
- TEN1 - Tentamen, 4,5 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.
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Tentamen är skriftlig.
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.
Ytterligare information
Kursrum i Canvas
Registrerade studenter hittar information för genomförande av kursen i kursrummet i Canvas. En länk till kursrummet finns under fliken Studier i Personliga menyn vid kursstart.
Ges av
Huvudområde
Datalogi och datateknik
Utbildningsnivå
Avancerad nivå
Övrig information
I denna kurs tillämpas EECS hederskodex, se: http://www.kth.se/eecs/utbildning/hederskodex.