i.uoh.uu.1td060.62030.202411TD060
2023-10-25T14:20:30.101+02:002024-06-30T00:00:00.000+02:00Tillämpad linjär algebra för dataanalysApplied Linear Algebra for Data Science<p>Inom områdena data science och maskininlärning baseras många av tillämpningarna på linjär algebra. Data representeras vanligen i matrisform och analyseras genom matris-och vektoroperationer. Om man vill förstå relationer mellan olika egenskaper hos data "översätts" detta till att förstå hur kolumnerna beror av varandra, och det kan analyseras med algoritmen QR-faktorisering.</p><p>Att reducera dimensionen hos stora datamängder (transformera ett stort antal variabler till en mindre mängd variabler men ändå behålla huvuddelen av informationen) kallas inom data science principalkomponentanalys (PCA), men är egentligen samma sak som singulärvärdesuppdelning. I grunden är det alltså metoder inom linjär algebra. Rankningsalgoritmer, som den pagerank-algoritm som lade grunden för Google, är egentligen en form av en algoritm inom linjär algebra för att hitta egenvärden. Linjär algebra är alltså en förutsättning för att förstå data science och maskininlärningen på djupet.</p><p>I den här kursen kommer vi fokusera på, inte linjär algebra, utan numerisk linjära algebra. Det betyder att vi studerar de beräkningsalgoritmer som används när man praktiskt arbetar i data science. Vi tittar också på metoder för effektiv lagring av data, och hur beräkningar sker på ett effektivt sätt, och analyserar varför det fungerar.</p><p>The fields of data science and machine learning lean on many applications of linear algebra. Data are often represented in matrix form, and data are analysed through matrix and vector operations. If you would like to understand the relations between features, meaning understanding how columns depend on each other, it can be done with the algorithm QR factorisation.</p><p>To reduce the dimensionality of large data sets (transform a large set of variables into a smaller one that still contains most of the information) is in the data science world called Principal Component Analysis (PCA), but is really the same thing as Singular Value Decomposition. Again, it is really an algorithm in linear algebra. Ranking algorithms, like the Pagerank algorithm which formed the basis of Google, are really a form of an algorithm for finding eigenvalues. To really understand data science and machine learning, linear algebra is essential.</p><p>In this course, we focus on numerical linear algebra, i.e. the computational methods and algorithms used in data science. We look at how data is stored, how computations are performed efficiently, and why the methods work.</p>false7.5120 hp. Programmeringsteknik II eller Programmering, bryggningskurs. Linjär algebra II. En av Introduktion till Beräkningsvetenskap, Beräkningsvetenskap II, Beräkningsvetenskap bryggningskurs eller Statistisk maskininlärning. Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)120 credits. Computer Programming II or Programming, Bridging Course. Linear Algebra II. One of Introduction to Scientific Computing, Scientific Computing II, Scientific Computing Bridging Course or Statistical Machine Learning. Proficiency in English equivalent to the Swedish upper secondary course English 6.uh