Text

Machine Learning With Big Data

  • Credits 7.5  credits
  • Education ordinance Second cycle
  • Study location Distance with no obligatory meetings
  • Course code DVA453
  • Main area Computer Science

The rapid development of digital technologies and advances in communications have led to gigantic amounts of data with complex structures called 'Big data' being produced every day at exponential growth.
The aim of this course is to give the student insights in fundamental concepts of machine learning with big data as well as recent research trends in the domain. The student will learn about problems and industrial challenges through domain-based case studies. Furthermore, the student will learn to use tools to develop systems using machine-learning algorithms in big data.

About this course
Module 1 - Introduction and background
Introduction is intended to review Machine learning (ML) and Big Data processing techniques and its related subtopics with the focus on the underlying themes.

Module 2 - Case studies
Presents case studies from different application domains and discuss key technical issues e.g., noise handling, feature extraction, selection, and learning algorithms in developing such systems.

Module 3 - Machine learning techniques in big data analytics
This module consists of basic understanding of learning theory, clustering analysis, deep learning and other classification techniques appropriate for development work and issues in construction of systems using Big data.

Module 4 - Data analytics with tools
Presents open source tools e.g., KNIME and Spark with examples that guide through the basic analysis of big data.bine work and studies.

Related industrial challenges addressed in the course

* Structure and evaluate the vast amount of data to make sure that it is feasible to solve the customer problem.
* Acquire new, previously unknown, knowledge from routinely available huge amount of industrial data to support effective automation, decision-making etc. in industries.
* Transform knowledge acquired from the data into machines. This knowledge can be used by automated systems in various fields and provide economic values.

Den snabba utvecklingen av digital teknik och framsteg inom kommunikationsteknik har lett till att det varje dag produceras en gigantisk mängd data med komplexa strukturer, så kallad "Big Data".

I den här kursen får du insikt i grundläggande begrepp inom maskininlärning med Big data såväl som kunskap om den senaste forskningsutvecklingen inom området. Du kommer att lära dig om problem och industriella utmaningar av flera fallstudier inom området. Vidare lär du dig använda verktyg för att utveckla system som använder algoritmer för maskininlärning i Big Data.

Om kursen

Modul 1 - Introduktion och bakgrund

Introduktionen syftar till att ge en översikt av maskininlärning (ML) och bearbetningstekniker för Big Data och relaterade delämnen med fokus på underliggande teman.

Modul 2 - Fallstudier

Här presenteras fallstudier från olika tillämpningsområden och viktiga tekniska nyckelfrågor diskuteras, t.ex. hantering av brus, feature extraction, urval och inlärningsalgoritmer för att utveckla sådana system.

Modul 3 – Maskininlärningstekniker för analys av Big Data

Denna modul ger en grundläggande förståelse för inlärningsteori, klusteranalys, djupinlärning och andra klassificeringstekniker lämpliga vid konstruktion av system som använder Big Data.

Modul 4 - Dataanalys med verktyg

Här presenteras verktyg skrivna med öppen källkod, t.ex. KNIME och Spark, med exempel som vägleder genom den grundläggande analysen av Big Data.


Du lär dig

  • beskriva de grundläggande principerna i maskininlärning och Big Data
  • identifiera de viktigaste utmaningar gällande användningen av maskininlärning med Big Data med maskininlärning
  • att välja lämpliga algoritmer för maskininlärning för att lösa givna Big Data-problem
  • att använda verktyg för analys av stora datamängder och presentera analysresultat

Relaterade industriella utmaningar som behandlas i kursen

  • Strukturera och värdera den enorma datamängden för att säkerställa att kundproblemet är möjligt att lösas
  • Skapa ny, tidigare okänd kunskap från industrins enorma mängder befintligt data. Denna kunskap kan sedan användas för att stödja effektiv automation, beslutsfattande etc. inom industrin
  • Förädla den från data förvärvade kunskapen så att den kan användas av automatiserade system inom olika områden och på så sätt skapa ekonomiska värden

Särskild behörighet

90 hp, varav 60 hp inom datavetenskap eller motsvarande, inklusive minst 15 hp programmering. Dessutom krävs Engelska A/Engelska 6.
Om du inte uppfyller de formella behörighetskraven kan du få din behörighet bedömd på kunskap och kompetens som du har fått på annat sätt, såsom arbetslivserfarenhet, övriga studier m.m. Läs mer under Information om anmälan

Undervisningsspråk

Engelska

Occasions for this course

Autumn semester 2021

  • Autumn semester 2021

    Scope

    7.5 credits

    Time

    2021-08-30 - 2022-01-16 (part time 25%)

    Education ordinance

    Second cycle

    Course type

    Independent course

    Application code

    MDH-24537

    Language

    English

    Study location

    Independent of location

    Teaching form

    Distance learning
    Number of mandatory occasions including examination: 0
    Number of other physical occasions: 0

    Course syllabus & literature

    See course plan and literature list (DVA453)

    Specific requirements

    90 credits of which at least 60 credits in Computer Science or equivalent, including at least 15 credits in programming. In addition, Swedish course B/Swedish course 3 and English course A/English course 6 are required. For courses given entirely in English exemption is made from the requirement in Swedish course B/Swedish course 3.

    Selection

    University credits/documented work experience from software delevopment/passed test on the MOOC course Basic Knowledge on Machine Learning from Mälardalen University

Questions about the course?

If you have any questions about the course, please contact the Course Coordinator.

Professor

Shahina Begum

+4621107370

shahina.begum@mdh.se

To top