Behörighetskrav

• CM121A Analys I (7,5 hp)
• CM143A Analys II (7,5 hp)
• CM152A Matematisk statistik (7,5 hp)

Fördjupningsnivå i förhållande till examensfordringarna

Kursen ingår i examensfordringarna för Civilingenjörsexamen Datateknik (specialisering Tillämpad data science).

Innehåll

Kursen erbjuder en fördjupning inom sannolikhetslära och statistik som är relevant för fortsatta studier inom data science. Kursens syfte är att studenten utvecklar fördjupad förståelse för stokastiska processer och förmåga till tillämpningar av statistisk inferens i hantering av stora datamängder.

Kursen innehåller följande moment:

• Sannolikhetslära: funktioner av slumpvariabler, centralmoment, genererande funktioner, konvergenser av slumpvariabler.
• Bayesiansk statistik: Bayes sats, posterior fördelning, maximum-likelihood-metoden (MLE), maximum-A-posterior-uppskattning (MAP).
• En-faktorexperimentdesign, datainsamling och datakvalitet
• Fördjupad regression analys: viktade minstakvadrat metod, autoregression, icke-linjär och logistisk regression.
• Avancerad användning av programvara för statistik.

Lärandemål

Kunskap och förståelse

Efter avslutad kurs skall studenten kunna:

1. redogöra för begrepp inom statistisk dataanalys,

2. redogöra för egenskaper och grundläggande lagar för fördelningar av och relationer mellan stokastiska variabler, och

3. redogöra för lämpliga statistiska modeller som används i dataanalys inom data science.

Färdighet och förmåga

Efter avslutad kurs skall studenten kunna:

4. självständigt planera och genomföra datainsamling samt validera giltighet av insamlade data, och

5. genomföra en komplett dataanalys av insamlade data med hjälp av dataprogram och statistiska modeller som används i data science samt tolka resultaten utifrån olika aspekter, exempelvis jämställdhet.

Värderingsförmåga och förhållningssätt

Efter avslutad kurs skall studenten kunna:

6. kritiskt granska och utvärdera statistiska resultat publicerade i vetenskapliga tidskrifter, och

7. reflektera över det individuella ansvaret för att statistik tillämpas på ett korrekt sätt.

Arbetsformer

Föreläsningar, datorlaborationer, seminarier och självstudier.

Bedömningsformer

För godkänt betyg krävs:

• godkänd skriftlig tentamen (4,5 hp, UA) (Lärandemål 1-4, 6)
• godkända seminarier (1 hp, UG) (Lärandemål 6, 7)
• godkända laborationer (2 hp, UG) (Lärandemål 1, 4, 5)

För samtliga bedömningar ska underlaget vara sådant att individuella prestationer kan särskiljas.

Slutbetyget motsvaras av betyget på den skriftliga tentamen.

Kurslitteratur

• Koski, T. (2020) Probability calculus for data science, Studentlitteratur.
• Mendenhall, W. & Sincich, T. (2019) Regression analysis: A second course in statistics (8th edition), Pearson.
• Walpole, R. E. and Myers, R. (2016) Probability and statistics for engineers & scientists (9th edition), Pearson.

Kompendium från institutionen.

Kursvärdering

Malmö universitet ger studenter som deltar i eller har avslutat en kurs en möjlighet att framföra sina erfarenheter av och synpunkter på kursen genom en kursvärdering som anordnas av lärosätet. Universitetet sammanställer kursvärderingarna samt informerar om resultaten och eventuella beslut om åtgärder som föranleds av kursvärderingarna. Resultaten ska hållas tillgängliga för studenterna. (HF 1:14).

Övergångsbestämmelser

Om en kurs har upphört att ges eller har genomgått större förändringar ska studenterna, under ett år efter det att förändringen har skett, erbjudas två tillfällen för omprov baserade på den kursplan som gällde vid registreringen.

Övrigt

Om en student har beslut om riktat pedagogiskt stöd, har examinator rätt att ge ett anpassat prov eller låta studenten genomföra prov på ett alternativt sätt.