Faglig innhold

Emnet gir en teoretisk og praktisk innføring i en rekke tema innenfor dataanalyse og statistisk læring, med særlig henblikk på anvendelser innenfor økonomifeltet.

Disse temaene kan inkludere blant annet:

• Lineær, ikke-lineær og logistisk regresjon
• Lineær og kvadratisk diskriminantanalyse
• Kryssvalidering
• Bootstrapping
• Desisjonstrær og boosting
• Støttevektormaskiner
• Klyngeanalyse
• Nevrale nettverk
• Datavisualisering

Emnet gir en innføring i bruk av programmeringsspråket R eller Python til dataanalyse. Bruk av andre dataverktøy, for eksempel SQL, kan også inngå.

Læringsutbytte

Kunnskap

Kandidaten skal:

• Ha god kjennskap til de grunnleggende teknikkene innenfor data science
• Kunne knytte anvendelser av data science til problemstillinger knyttet til det økonomisk-administrative fagområdet

Ferdigheter

Kandidaten skal:

• Kunne gjennomføre grunnleggende dataanalyser i programmeringsspråket R eller Python
• Kunne forstå og vurdere avanserte dataanalyser samt resultater fra enkelte maskinlæringsteknikker

Generell kompetanse

Kandidaten skal:

• Kunne bruke data science til å uttrykke, analysere og kommunisere økonomiske sammenhenger
• Ha en forståelse av data science og grunnleggende maskinlæring som kan danne basis for videre studier og livslang læring

Læringsformer og aktiviteter

Forelesninger, regne- og dataøvinger. Arbeidskrav kreves godkjent for å få gå opp til eksamen

Obligatoriske aktiviteter

• Obligatorisk øving

Spesielle vilkår

Anbefalte forkunnskaper

MET1002 eller et tilsvarende grunnkurs i sannsynlighetsregning og statistikk.

TDT4110 eller en tilsvarende innføring i grunnleggende programmering i Python.

Kursmateriell

Lærebok (med forbehold om endringer):

Shmueli, G., Bruce, P. C., Gedeck, P., & Patel, N. R. (2019). Data mining for business analytics: concepts, techniques and applications in Python. John Wiley & Sons.

Hvilke kapitler som er pensum, samt annet eventuelt tilleggsmateriale, blir oppgitt i løpet av semesteret.

Studiepoengreduksjon