Introduktion till data science, 3 hp

Innehåll

Kursen ger en introduktion till data science med särskild tonvikt på prediktiv modellering. Syftet med prediktiv modellering är att göra prediktioner baserat på historiska data. Förutom de parametriska prediktiva modellerna linjär regression och logistisk regression, som behandlats i kursen Statistik A, introduceras även icke-parametriska modeller såsom K-närmaste grannar-modeller.

Oavsett val av prediktiv modell är det viktigt att kunna utvärdera hur bra prediktionerna är och under kursen behandlas olika sätt att göra det.

Prediktiv modellering används i allt större utsträckning i alla delar av samhället och som beslutsunderlag. Därför är det viktigt att vara medveten om att även beslut baserade på algoritmer kan vara biased och felaktiga. Det finns alltså många etiska överväganden inom data science och prediktiv modellering som vi måste reflektera över. Under kursen problematiseras detta.

Förväntade studieresultat

Efter att ha genomgått kursen förväntas studenten kunna:
 
Kunskap och förståelse
1.     beskriva grundläggande typer av analysproblem inom data science,

Färdighet och förmåga
2.     identifiera passande typ av data science metod att använda i praktiska tillämpningar,
3.     tillämpa enklare prediktiv modellering för att lösa praktiska problem,
4.     muntligt och skriftligt presentera resultat från data science tillämpningar,

Värderingsförmåga och förhållningssätt
5.     kritiskt granska och utvärdera resultat från data science tillämpningar,
6.     kritiskt reflektera över data science tillämpningar med hänsyn till etiska överväganden.

Behörighetskrav

Univ: 7.5 hp statistik med inslag av linjär regression och logistisk regression, eller motsvarande

Undervisningens upplägg

Undervisningen består av föreläsningar, lektioner, datorlektioner, seminarier och handledning. Obligatoriska inlämningsuppgifter och seminarier förekommer.

Examination

Kunskapskontrollen sker genom en skriftlig inlämningsuppgift som även presenteras muntligt vid minst ett obligatoriskt seminarium. Opponering på en annan students arbete är också en del av examinationen. På kursen ges betygen Underkänd (U), Godkänd (G), eller Väl Godkänd (VG).

Betyget på kursen utgör en sammanfattande bedömning av examinationens olika delar och sätts först när alla delar är godkända. Eventuella kompletteringar ska ske senast två veckor efter kursens slutdatum.

Studerande som godkänts på ett prov får inte undergå förnyat prov för att uppnå ett högre betyg. För studerande som ej blivit godkänd erbjuds ytterligare provtillfällen enligt ett fastställt schema.

Efter två underkända prov på ett moment har studenten rätt att begära byte av examinator. Skriftlig begäran lämnas till studierektor senast två veckor före nästa examinationstillfälle.
   
Avsteg från kursplanens examinationsform kan göras för en student som har beslut om pedagogiskt stöd på grund av funktionsnedsättning. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Efter begäran av studenten ska kursansvarig lärare, i samråd med examinator, skyndsamt besluta om anpassad examinationsform. Beslutet ska sedan meddelas studenten.

I de fall en kursplan har upphört att gälla eller genomgått större förändringar garanteras studenterna minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt tidigare kursplan under en tid av maximalt två år från det att tidigare kursplan upphört att gälla eller kursen slutat erbjudas.
 
Tillgodoräknande
Tillgodoräknande sker enligt Umeå universitets tillgodoräknandeordning.