Termin 1
Introduktion till Data Science A1N, 15 hp
Kursen ger dig en introduktion till Data Science, både i termer av forskning och praktik. En inblick i dess tvärvetenskapliga natur presenteras där du kommer att få studera ett eget valt område närmre. Du kommer även att övas i programmering för Data Science. Aktuell forskning inom Data Science presenteras tillsammans med de utmaningar området står inför, inte minst de etiska och samhälleliga frågor som kan uppstå inom områdets forskning och utveckling.
Artificiell intelligens A1N, 7,5 hp
Den här kursen vänder sig till dig som vill ha övergripande kunskap om aktuella frågeställningar och utmaningar inom området artificiell intelligens och hur dess olika metoder och tekniker kan knytas samman med olika forsknings och användningsområden inom data science, som t.ex. datamining, beslutsstödsystem och informationsfusion.
Data mining A1F, 7,5 hp
I denna kurs så studerar du grundläggande koncept, algoritmer och tekniker inom data mining. Kursen behandlar klassificering med exempelvis beslutsträd, nearest neighbor, Bayesianska klassificerare, neurala nätverk, support vector machines and ensemble-tekniker. Kursen kommer även att behandla associationsanalys och exempelvis algoritmerna Apriori och FP-growth, samt klusteranalys med exempelvis k-means, hierarkisk klustring och algoritmen DBSCAN.
Termin 2
Programmering för big data A1F, 7,5 hp
Kursen lär dig om principerna för vanliga ramverk för dataanalys i storskaliga datamängder. Här förklaras varför traditionella ansatser inte fungerar för storskaliga distribuerade analyslösningar. Relevanta delar av ekosystemet runt Hadoop presenteras, med avsikten att du skall kunna arbeta med "big data analytics" på egen hand. Du programmerar i och använder dig av framförallt de komponenter i Hadoop som används för effektiv storskalig dataanalys och maskininlärning.
Visuell dataanalys A1N, 7,5 hp
Att analysera stora datamängder för att hitta mönster, trender eller extrahera ny kunskap kan vara en utmanande process. Data- och informationsvisualiseringsmetoder stödjer denna process och tillåter beslutsfattarna att härleda analysresultat från data. Kursen ger en introduktion till informationsvisualisering samt hur människan kan stödjas i processen att extrahera kunskap från data.
Projekt i Data Science A1F, 15 hp
I denna kurs får studenten studera ett problem inom data science som är relaterat till aktuell forskning vid lärosätet. Med hjälp av en handledare ges studenten möjlighet att via teori och praktik utforska problemet, samt kritiskt reflektera över valda metoder. Projektet kan genomföras i samarbete med en extern organisation.
Termin 3
Explainable AI, A1F, 7,5 hp
I denna kurs får du en introduktion till området “förklarbar AI”. Varför området har uppstått, den senaste forskningen samt metoder och tekniker inom området kommer att presenteras. Du kommer att få testa att implementera valda metoder samt analysera och reflektera över dess styrkor och svagheter.
Prediktiv analys, A1F, 7,5 hp
Kursen ger en fördjupning kring metoder och tekniker som kan användas för prediktion. Du kommer att få en insikt i principer och begränsningar inom området, samt vilken information en expertmodellerare bör presentera för beslutsfattare baserat på resultaten från prediktionerna.
Business intelligence A1F, 7,5 hp
I denna kurs får du en introduktion till Business Intelligence (BI) och dess olika användningsområden. Via en praktiskt orienterad uppgift kommer du att få skapa en BI-lösning för ostrukturerad data samt reflektera över resultaten. Kursen problematiserar även etiska frågeställningar som kan uppstå i samband med beslutsfattande baserat på analys av data.
Informationsfusion A1F, 7,5 hp
Kursen presenterar olika metoder för informationsfusion och diskuterar dess roll i beslutsprocessen. Olika former av osäkerhet i informationen som ska sammanföras (fusioneras) kommer att tas upp, och metoder för osäkerhetshantering diskuteras.
Termin 4
Examensarbete i informationsteknologi med inriktning mot data science A2E, 30 hp
I den här kursen får studenten möjlighet att omsätta sina kunskaper inom data science i ett problemorienterat individuellt examensarbete. Studenten får själv (i samråd med handledare) identifiera problem och lämplig metod för detta problem samt utföra analys av resultat av metod.
