Kursplan för Kontinuerlig optimering inom datascience

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2023-02-02 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnContinuous optimization in data science
  • KurskodDAT570
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPDSC
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeDatateknik, Informationsteknik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 87125
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0123 Inlämningsuppgift 7,5 hp
Betygsskala: TH		 7,5 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

För att vara behörig till kursen krävs 7,5 hp programmering i ett generellt programmeringsspråk eller motsvarande (helst, men inte begränsat till Python), och 7,5 hp matematik eller statistik. 

Syfte

Syftet med denna kurs är att ge kunskaper om verktyg för att lösa kontinuerliga optimeringsproblem inom data science. Efter avslutad kurs kan studenterna formulera olika data sience problem som optimeringsproblem och utforma en korrekt algoritm för att lösa dem, med tanke på beräkningskomplexitet och statistisk prestanda.

Lärandemål (efter fullgjord kurs ska studenten kunna)

Kunskap och förståelse:
  • beskriva olika typer av optimeringsproblem, såsom kontinuerlig/diskret/blandad och konvex/icke -konvex
  • förklara vilka typer av problem inom data science som kan hanteras med optimeringsproblem
  • förklara huvudprinciperna för olika optimeringsalgoritmer och deras globala/lokala konvergens
  • redogöra för beräkningskomplexitet hos optimeringsalgoritmer inom data science, liksom deras prestanda
Färdigheter och förmåga:
  • implementera olika optimeringsalgoritmer som datorprogram,
  • tillämpa och anpassa optimeringsalgoritmer till problem inom data science, till exempel maskininlärning och regelbaserade metoder
  • hitta approximativa lösningar på beräkningstunga problem
  • formulera olika problem inom data science så som matematiska optimeringsproblem
Värderingsförmåga och förhållningssätt:
  • resonera kring vilken typ av information eller kännetecken av indata som kan vara användbara vid val av optimeringsalgoritmer
  • välja lämplig utvärderingsmetodik inklusive prestanda- och konvergensanalys

Innehåll

Kursen diskuterar de viktigaste aspekterna av optimeringsproblem inom data science, nämligen konvergensbegreppet och dess relation till den statistiska inlärningsteorin. Kursen presenterar olika klassificeringar av optimeringsproblem såsom konvexa/icke-konvexa. Kursen innehåller också olika utmaningar inom data science genom att presentera exempel från verkligheten och diskuterar viktiga algoritmiska idéer för att ta itu med dem.

Organisation

Föreläsningar, övningar, datorlaborationer

Litteratur

Kurslitteratur kommer att publiceras senast 8 veckor innan kursstart.

Examination inklusive obligatoriska moment

Kursen examineras med obligatoriska inlämningsuppgifter.

Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.

Kursplanen innehåller ändringar

  • Ändring gjord på kurstillfälle:
    • 2024-09-18: Block Block ändrat från B till A av Ashkan Panahi
      [Kurstillfälle 1]