DM2583 Big data i medieteknik 7,5 hp

Big Data in Media Technology

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.

  • Utbildningsnivå

    Avancerad nivå
  • Huvudområde

    Datalogi och datateknik
  • Betygsskala

    A, B, C, D, E, FX, F

Kurstillfällen/kursomgångar

VT19 för programstuderande

  • Perioder

    VT19 P3 (7,5 hp)

  • Anmälningskod

    60935

  • Kursen startar

    2019-01-15

  • Kursen slutar

    2019-03-15

  • Undervisningsspråk

    Engelska

  • Studielokalisering

    KTH Campus

  • Undervisningstid

    Dagtid

  • Undervisningsform

    Normal

  • Antal platser

    Ingen begränsning

  • Schema

    Schema (nytt fönster)

  • Planerade moduler

    P3: B1, E1, G1, J1, E2, J2. mer info

  • Målgrupp

    Sökbar för alla program från årskurs 3 och för studenter antagna på ett masterprogram.

  • Del av program

Lärandemål

Efter kursen ska studenten kunna

• redogöra för grundläggande metoder, tekniker och verktyg inom storskalig dataanalys,

• ge exempel på hur storskalig dataanalys kan tillämpas på våra ständigt växande förråd av data genom att söka intressanta mönster i data och och hur man gör dem överskådliga genom modellering och visualiseringstekniker,

• förklara hur man kan studera konsumenternas medieanvändning och köpbeteende med storskalig dataanalys,

• redogöra för rekommendationssystemteknik i relation till kundernas förtroende, kunskap, lojalitet och andra sociala aspekter av dem,

• skapa värde i mediebranschen genom storskalig dataanalys,

• använda vetenskapliga big data-tekniker, -verktyg och -metoder för att lösa praktiska problem inom medieteknik,

• utforma de viktigaste stegen i big data-arbete från att samla, förbereda och modellera data till utvärdering och spridning av resultaten,

• förklara viktiga maskininlärningsbegrepp som 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,

• använda verktyg och visualiseringstekniker för att utvärdera modeller, identifiera mönster och datafunktioner.

Kursens huvudsakliga innehåll

• 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.

Behörighet

Kandidatexamen eller motsvarande. SF1604 Linjär Algebra, SF1625 Envariabelanalys, SF1626 Flervariabelanalys, SF1901 Sannolikhetslära och statistik eller motsvarande. Grundläggande kunskaper i Matlab eller Python.

Litteratur

Examination

  • LIT1 - Litteraturuppgift, 2,5, betygsskala: P, F
  • PRO1 - Projektuppgift, 5,0, betygsskala: A, B, C, D, E, FX, F

Ges av

EECS/Människocentrerad teknologi

Examinator

Haibo Li <haiboli@kth.se>

Versionsinformation

Kursplan gäller från och med HT2017.
Examinationsinformation gäller från och med VT2019.