- 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.
Om kursomgång
Gäller för kursomgång
VT 2025 Start 2025-03-17 programstuderande
Målgrupp
Öppen för alla masterprogram under förutsättning att kursen kan ingå i programmet.
Del av program
Masterprogram, ICT Innovation, åk 1, CLNI, Villkorligt valfri
Masterprogram, ICT Innovation, åk 1, CLNS, Villkorligt valfri
Perioder
P4 (7,5 hp)Varaktighet
2025-03-17
2025-06-02
Studietakt
50%
Undervisningsform
Normal Dagtid
Undervisningsspråk
Engelska
Studielokalisering
KTH Kista
Antal platser
Ingen platsbegränsning
Planerade schemamoduler
Kurs-PM
Kurs-PM är inte publiceratSchema
Schema är inte publiceratKursval
Gäller för kursomgång
VT 2025 Start 2025-03-17 programstuderande
Anmälningskod
60693
Kontakt
Gäller för kursomgång
VT 2025 Start 2025-03-17 programstuderande
Examinator
Ingen information tillagdKursansvarig
Ingen information tillagdLärare
Ingen information tillagdRubriker 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.
Utrustning
Ingen information tillagd
Kurslitteratur
Ingen information tillagd
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
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.
Tentamen är skriftlig.
Möjlighet till komplettering
Ingen information tillagd
Möjlighet till plussning
Ingen information tillagd
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
Påbyggnad
Ingen information tillagd
Övrig information
I denna kurs tillämpas EECS hederskodex, se: http://www.kth.se/eecs/utbildning/hederskodex.