0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

The course has been focusing on the needs of the current cohort of students. We thus covered the same topics of the previous years, but with different lengths and details in coverage depending on the PhD research needs from the persons. We believe we are 'a regime' in the sense that we know what to teach and how to discuss with students coming from various fields.

We had oral exams where students had to present how to use the tools seen in class in their research. All of them have been in our opinion successfully integrating some of the proposed statistical tools in their PhD and several of them are writing papers on the results they got from this application of tools. Thus we believe the course has been achieving our ILOs.

NTNU:TIA:REST

Department of Engineering Cybernetics

Institutt for teknisk kybernetikk

Ingen trykte eller håndskrevne hjelpemidler tillatt. Bestemt, enkel kalkulator tillatt.

Engelsk

Norsk

Anbefalte forkunnskaper

Innføring i multivariat datamodellering. God kjennskap til lineær algebra og grunnleggende statistiske metoder.

Faglig innhold

<ul><li>Statistisk forsøksdesign</li><li>Principal Component Analysis</li><li>Multivariate regresjonsmetoder (MLR,PCR,PLSR)</li><li>Strategier for validering av seleksjon av modeller (bias-variance trade-off)</li><li>Features og variable seleksjon</li><li>Klassifikasjonsmetoder (maskinlæring)</li><li>Tidsserieanalyse</li><li>Prediksjonsmetoder for identifikasjon av dynamiske systemer</li><li>Kalman filter</li><li>Metamodellering &amp; hybrid modeller</li><li>Compressed sensing</li><li>Independent Component Analysis</li><li>PARAFAC, multiblokk (sensor fusion) og IDLE modellering </li></ul>

Kursmateriell

Læringsutbytte

KUNNSKAPER: Studentene skal få oversikt over ulike metoder for å analysere data fra prosesser som er kontinuerlige og/eller tidsavhengig både for kvantitaitve prediksjon og klassifisering. Skal dessuten bli istand til å planlegge praktiske eksperimenter. Dette inkluderer sensor-fusion og hierarkiske modeller fra multiblock data. FERDIGHETER: Studenten skal kunne organisere data fra ulike typer måleinstrumenter og med ulike dimensjoner og vurdere optimal forbehandling av data. Videre skal studenten kunne foreslå de mest egnete metoder gitt den aktuelle problemstillingen. GENERELL KOMPETANSE: Kunne benytte ferdigheter og kunnskaper på nye problemstillinger Studenten skal kunne diskutere faglige problemstillinger med spesialister innen fagområdet men også foreslå metodiske tilnærminger i tverrfaglige prosjekter.

Læringsformer og aktiviteter

Forelesninger med praktiske eksempler. Prosjektarbeid på utvalgte datasett.

Multivariat dataanalyse - videregående emner

Kjemometri

Signalbehandling

Multivariat bildeanalyse

Statistisk forsøksplanlegging

Teknisk kybernetikk

Kybernetikk og robotikk - masterstudium (5-årig)

Teknisk kybernetikk - doktorgrad (ph.d.)

Matematisk-naturvitenskapelige fag, dr.philos

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(26688)/FieldValuesAsText

The course is quite comprehensive regarding the various methods/topics presented.
The course leaders will revise and evaluate if some topics should be given more time, and other topics may be taken out.

Tiltak

Revising the course contents and order of lectures

Based on the evaluation from 2021, the following action plan was taken: <ul><li>more literature references</li><li>selected datasets were used for different methods</li><li>more extensive notebooks, uploaded a priori</li><li>instruction videos for core methods</li></ul>

The course covered various methods for data analysis with a focus on applications for the student's actual data.For the students that did not have their own data, relevant data sets were provided.For the exam, they presented results on the given data sets with an additional examination regarding methods not applied for the given case.There was a strong focus on the interpretational aspect of data analysis/machine learning.The student's feedback was overall positive regarding how the course was taught and the learning outcome.

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(21191)/FieldValuesAsText

The course has been improved with respect to the previous year in terms of an expanded and improved compendium, and more effective and tailored python notebooks. As for the contents and intended learning outcomes of the course, they have practically remained unchanged.

The students have given good feedback regarding the quality of the course, that is a little bit different from many other PhD courses (in that it teaches how to use several different data analysis strategies in practical contexts, with the aim of giving PhD students a good foundation in how to analyse their data). Note that they are suggested moreover to bring their own data, and thus work towards their own PhD project. This is in a way challenging in that there are constantly new topics being lectured; on the other hand this makes the topic interesting for the students. The impression is that all the students that passed have been learning how to use the tools we presented. Of course some seemed more proficient, and some others less, but in average we teachers are satisfied.

<ul><li>Statistisk forsøksdesign</li><li>Principal Component Analysis</li><li>Multivariate regresjonsmetoder (MLR,PCR,PLSR)</li><li>Strategier for validering av seleksjon av modeller (bias-variance trade-off)</li><li>Features og variable seleksjon</li><li>Klassifikasjonsmetoder (maskinlæring)</li><li>Tidsserieanalyse</li><li>Prediksjonsmetoder for identifikasjon av dynamiske systemer</li><li>Kalman filter</li><li>Metamodellering &amp; hybrid modeller</li><li>Compressed sensing</li><li>Independent Component Analysis</li><li>PARAFAC, multiblokk (sensor fusion) og IDLE modellering </li></ul>

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(15657)/FieldValuesAsText

Studentene har gitt god tilbakemelding ang. kvaliteten av emnetEmnet er litt ulikt mange andre emner i at det foreleses i mange ulike metoder for dataanalyse for å gi studentene et godt grunnlagfor eget arbeid gitt deres egne datastrukturer, og typer av dataDette er på en måte utfordrende i at det stadig er nye temaer som foreleses, på den annen side gjør dette emnet interessant for studentene

Læringsutbyttet er oppdatert i Emner på NettForelesningsplanen er nært knyttet til læringsutbyttetHver forelesning starter med en liste over formål/læringsutbytteEmnet er et parallelt emne til TTK4260, med mange felles læringsutbytter

Studentene har et eget prosjektarbeid som knyttes opp mot de ulike deltemaene i emnetForelesningene suppleres med interaktiv dataanalyse som belyser metodenes pros og cons Refreansegruppe-møter sørger for tilbakemelding om progresjon og emnets faglige relevansStudentene er motivert, og de aller fleste arbeider med egne data fra deres PhDForeleserne har individuell oppfølging med studentene og arbeidet med deres prosjekter

Vurderingsform er rapport fra prosjektarbeidet og muntlig eksamenDen muntlige eksamen er lagt opp med med god forankring til læringsutbyttet

1. Kort repetisjon av a) Design of Experiments  b) Analyse av en tabell (PCA etc.)  c) Analyse av to tabeller med multivariate regresjonsmetoder 
2. Modellering av tidsavhengige prosesser f.eks. batch data og andre prosesser med transiente signaler. 
3. Analyse av multiblock data, f.eks. sensor-fusion for å finne unik og felles informasjon i flere datatabeller 
4. Multidoméne modellering av prosesser som endrer seg både i tid og intensitet (IDLE modell). 
5. Strategier for analyse av 3- dimensionale data ved hjelp av multiway metoder, e.g. PARAFAC.
6. Hvordan benytte modeller i real-time for prediksjon og deteksjon av outliers (multivariate prosess monitoring). 
7. Validering og feature extraction i multivariate modeller.

KUNNSKAPER: Studentene skal få oversikt over ulike metoder for å analysere data fra prosesser som er kontinuerlige og/eller tidsavhengig. Skal dessuten bli istand til å planlegge praktiske eksperimenter. Dette inkluderer sensor-fusion og hierarkiske modeller fra multiblock data.
 
FERDIGHETER: Studenten skal kunne organisere data fra ulike typer måleinstrumenter og med ulike dimensjoner og vurdere optimal forbehandling av data. Videre skal studenten kunne foreslå de mest egnete metoder gitt den aktuelle problemstillingen.

GENERELL KOMPETANSE: Kunne benytte ferdigheter og kunnskaper på nye problemstillinger Studenten skal kunne diskutere faglige problemstillinger med spesialister innen fagområdet men også foreslå metodiske tilnærminger i tverrfaglige prosjekter. 



Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(10013)/FieldValuesAsText

Multivariat dataanalyse - videregående emner - TK8117