English   Danish

2020/2021  KAN-CMECV1247U  Predictive Modeling og Machine Learning

English Title
Predictive Modeling and Machine Learning

Kursusinformation
Sprog Dansk
Kursets ECTS 7,5 ECTS
Type Valgfag
Niveau Kandidat
Varighed Et semester
Starttidspunkt Forår
Tidspunkt Skemaet bliver offentliggjort på calendar.cbs.dk
Studienævn
MEC Studienævnet for HA/cand.merc. i erhvervsøkonomi og matematik, MSc
Kursusansvarlig
  • Anders Rønn-Nielsen - Institut for Finansiering (FI)
  • Peter Dalgaard - Institut for Finansiering (FI)
Primære fagområder
  • Matematik/Mathematics
  • Statistik og kvantitative metoder/Statistics and quantitative methods
Undervisningsformer
  • Blended learning
Sidst opdateret den 15-04-2020

Relevante links
Læringsmål
Ved afslutningen af faget forventes de studerende at kunne
  • forklare og begrunde de centrale metoder inden for machine learning
  • anvende de vigtigste machine-learning-metoder i konkrete problemstillinger ved brug af relevant software
  • beskrive de forskellige metoders styrker og svagheder
  • vælge mellem forskellige metoder i en konkret problemstilling og begrunde dette valg
  • kommunikere resultaterne af en analyse udført med machine-learning-metoder
Forudsætninger for at deltage i kurset
Faget er rettet mod studerende, hvis forudsætninger svarer til en HA(mat.)
Prøve/delprøver
Predictive Modeling og Machine Learning:
Prøvens ECTS 7,5
Prøveform Mundtlig stedprøve
Individuel eller gruppeprøve Individuel prøve
Varighed 30 min. pr. studerende, inkl. votering, karaktergivning og begrundelse
Forberedelse Uden forberedelse
Bedømmelsesform 7-trins-skala
Bedømmer(e) Eksaminator og bi-eksaminator
Eksamensperiode Sommer
Syge-/omprøve
Samme prøveform som ved ordinær prøve
Beskrivelse af eksamensforløbet

Ved kursets mundtlige eksamen trækkes et af emne ud fra en på forhånd givet liste. Den studerende kan vælge at lade en præsentation af en tilhørende øvelsesopgave og dens løsning indgå i eksamensfremlæggelsen.
Kursets indhold, forløb og pædagogik

Faget giver en introduktion til de emner, der ofte omtales som artificial intelligence, data mining og machine learning. I undervisningen vil der være fokus på metodeforståelsen og det teoretiske fundament, såvel som på konkrete anvendelser af de forskellige metoder.

 

Konkret indeholder faget følgende emner:

 

  • Metoder til funktionsestimation: udglatning, splines, regularisering
  • Lasso-metoder og modelselektion
  • Metoder til evaluering og optimering af performance, herunder krydsvalidering
  • Support vector machines og klassifikation
  • Træer, boosting, bagging og random forrests
  • Neurale netværk, herunder strukturelle netværk såsom rekurrente og convolutional neurale netværk
Beskrivelse af undervisningsformer
Kursets undervisning består af forelæsninger og øvelsesworkshops. Ved øvelsestimerne arbejdes med relevante opgaver med hjælp fra kursets undervisere. Der vil efterfølgende blive lagt filmklip på kursushjemmesiden med løsningsgennemgang af udvalgte opgaver.

En del af øvelsesopgaverne vil være særligt eksamensrelevante opgaver, som repræsenterer et eksamensemne – typisk en eller flere machine-learning metoder. Løsningen af disse opgaver kan diskuteres med underviserne ved øvelsestimerne, men her vil der ikke være mulighed for yderligere feedback før ved eksamen.
Feedback i undervisningen
Ved kursets øvelsestimer arbejdes der med opgaver i mindre gruppe i konstruktiv dialog med underviserne. Der vil efterfølgende blive lagt filmklip på kursushjemmesiden med løsningsgennemgang af udvalgte opgaver.

Forelæsningerne indeholder mindre quizzer og opgaver, hvor svarene diskuteres i fællesskab.
Studenterarbejdstimer
Forelæsninger 24 timer
Øvelsesworkshops 12 timer
Eksamen 30 timer
Forberedelse 140 timer
Foreløbig litteratur

Primær litteratur:

Hastie, Tibshirani og Friedman (2009), The Elements of Statistical Learning: Data Mining, Inference and Prediction. Anden udgave, Springer.

 

Desuden supplerende litteratur om neurale netværk:

Aggarwal (2018), Neural Networks and Deep Learning, Springer.

 

Begge bøger kan downloades gratis via CBS netværk.
Sidst opdateret den 15-04-2020