Hoppa till huvudinnehållet
Till KTH:s startsida

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.

Termin

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

Examinator
Ingen information tillagd
Kursansvarig
Ingen information tillagd
Lärare
Ingen information tillagd

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

  • 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.

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.