English   Danish

2023/2024  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
Max. antal deltagere 80
Studienævn
MEC Studienævnet for HA/cand.merc. i erhvervsøkonomi og matematik, MSc
Kursusansvarlig
  • Jonas Striaukas - 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 01-12-2023

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.). En del af undervisningen vil foregå på engelsk, så passende engelskkundskaber vil være en forudsætning for at kunne følge faget.
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 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.

 

Ved eksamen vil man frit kunne vælge, om man vil eksamineres på dansk eller engelsk.
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:

 

  • Ikke-parametriske metoder til funktionsestimation: Udglatning, splines, regularisering, additive modeller
  • Penalized regression og klassifikation: Egenskaber, modelvalg og inferens
  • Resamplingmetoder, herunder krydsvalidering
  • Træbaserede modeller: Bagging, random forests og boosting
  • Neurale netværk, herunder strukturelle netværk såsom rekurrente og convolutional neurale netværk
  • Udvalgte emner inden for kausal machine learning
Beskrivelse af undervisningsformer
Kursets undervisning består af forelæsninger og øvelsesworkshops. Ved øvelsestimerne arbejdes med eksamensrelevante opgaver med hjælp fra kursets undervisere. Disse opgaver 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.

Opgaverne vil relatere sig til eksempler gennemgået i undervisningen. På kursets hjemmeside vil der blive uploadet optagelser med gennemgang af disse eksempler - også hvad angår brugen af relevant software.

En del af undervisningen vil foregå på engelsk.
Feedback i undervisningen
Ved kursets øvelsestimer arbejdes der med opgaver i mindre grupper i konstruktiv dialog med underviserne.

Forelæsningerne indeholder mindre quizzer og opgaver, hvor svarene diskuteres i fællesskab.

Detaljerede gennemgange af eksamensrelevante eksempler præsenteres til forelæsningerne og uploades på kursets hjemmeside.
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.
 

Fan, Li, Zhang and Zou (2020). Statistical foundations of data science. Chapman and Hall/CRC.

 

Supplerende litteratur (om (kausal) machine learning og neurale netværk):

 

Huber (2013). Causal Analysis: Impact Evaluation and Causal Macine Learning with Applications in R. MIT Press.

 

Aggarwal (2018). Neural Networks and Deep Learning, Springer.
Sidst opdateret den 01-12-2023