DD3334 Läskurs om statistisk avvikelsedetektion 4,5 hp

Reading Course on Statistical Anomaly Detection

Statistisk avvikelsedetektion är ett allt viktigare område inom dataanalys och maskininlärning, och en viktig del i utvecklingen av autonoma system i industrin. Området innefattar ett stort antal såväl parametriska som icke-parametriska statistiska metoder för att modellera olika typer av data. Samtidigt är det viktigt att ta hänsyn till egenskaper som robusthet, andel falsklarm, skalbarhet, och tidsåtgång, för att metoderna ska kunna hantera verkliga datamängders olika egenskaper.

Kursens mål är att ge studenterna en överblick över områdets olika metoder och deras egenskaper, samt en förståelse för vilka metoder som kan väntas fungerar i olika sammanhang.

  • Utbildningsnivå

    Forskarnivå
  • Huvudområde

  • Betygsskala

    P, F

Det finns inget planerat kurstillfälle.

Lärandemål

Efter avslutad kurs ska studenten kunna:

·        presentera en överblick över de huvudsakliga metoderna för statistisk avvikelsedetektion.

·        Utvärdera och diskutera skillnader mellan olika metoder, i termer av deras för och nackdelar.

·        Identifiera och diskutera de huvudsakliga utmaningarna kring avvikelsedetektion.

·        Använda grundläggande avvikelsedetektion i enkla fall.

Kursens huvudsakliga innehåll

Metoder för statistisk avvikelsedetektion

Parametrisk och icke-parametrisk statistisk modellering

Bayesianska metoder för avvikelsedetektion

Behörighet

Bakgrundskunskaper i statistik och datalogi.

Litteratur

En samling av vetenskapliga artiklar som täcker in ett antal huvudsakliga kategorier av statistisk avvikelsedetektion och exempel på deras tillämpningar.

Examination

  • EXA1 - Examination, 4,5, betygsskala: P, F

Krav för slutbetyg

·        SEM1 – Läsgrupp, 3.0 Hp, betygsskala: P, F

·        INL1 – Inlämningsuppgift, 1.5 Hp, betygsskala: P, F

Examination sker I form av aktivt deltagande I en läsgrupp inklusive muntlig presentation av minst två artklar inom statistisk avvikelsedetektion, samt en hemuppgift som går ut på att välja och tillämpa någon grundläggande avvikelsedetektionsmetod på en given datamängd.

Ges av

EECS/Beräkningsvetenskap och beräkningsteknik

Kontaktperson

Anders Holst, aho@sics.se

Examinator

Anders Holst <aho@kth.se>

Versionsinformation

Kursplan gäller från och med HT2014.
Examinationsinformation gäller från och med VT2019.