Skip to main content

Specialisering i Datavidenskab

Datavidenskab omfatter felter som maskinlæring, data mining, deep learning, kunstig intelligens, optimering og statistik.

På mange områder kan det gøre en stor forskel at anvende indsigter fra dataanalyse. Eksempler på praktisk anvendelse af datavidenskab i vores hverdag er produktanbefalinger i onlinebutikker eller personlige assistenter på smartphones. I det hele taget anvender mange virksomheder data til at optimere deres virksomheder. I industrien anvendes maskinlæring, optimering og kunstig intelligens i blandt andet robotter, droner og selvkørende biler.

Lektor Arthur Zimek foran SDU's hovedindgang.

"Studerende er velkomne til at komme forbi mit kontor uden aftale. Vi er her for at lykkes sammen," siger Arthur Zimek, lektor i datalogi.

I Datavidenskab-gruppen på SDU arbejder statistikere og dataloger sammen om undervisningen, så vi samlet set dækker flere aspekter af datavidenskab som fagområde. I samarbejde med andre fakulteter udbyder vi også kurser relateret til personlig medicin, som er beror på datavidenskab.

Vi er involveret i datavidenskabelige projekter med forskellige virksomheder, fra små og mellemstore lokale virksomheder til store aktører. For eksempel arbejder vi med de kommunale myndigheder i Odense, Kolding, Nyborg og Svendborg om forbedring af trafiksystemer, planlægning af offentlig transport og langsigtet budgettering af bygningsvedligeholdelse. I industrisektoren har vi aktuelle og tidligere projekter vedrørende dataanalyse og optimering med Danfoss, Ørsted, Energinet, Lego og Aviation Cloud.

Udbudte kurser

Der er en stor grad af valgfrihed på kandidatuddannelsen i Datalogi på SDU. I studieåret 2020/2021 udbyder vi følgende kurser inden for datavidenskab:

DM847: Introduktion til bioinformatik

Kursets formål er at give grundlæggende indsigt i moderne forskning i bioinformatik. Kurset giver viden om datalogiske modeller og metoder beregnet til anvendelser i biologi og medicin.

I hver forelæsning vil vi begynde med et konkret biologisk og/eller medicinsk spørgsmål, lave det om til et problemformulering, der kan løses af en computer, designe en matematisk model, løse denne og endelig aflede og evaluere svar fra modellen, som giver mening i den virkelige verden.

Ansvarlig underviser: Richard Röttger

Læs hele kursusbeskrivelsen

ST808: Multivariat dataanalyse og kemometri

Kurset har til formål at sætte den studerende i stand til at studere multivariate kalibreringsmetoder og deres anvendelser i kemometri.

Kurset indeholder følgende faglige hovedområder:

  • Repetition af elementære begreber fra statistik og matrixregning.
  • Introduktion til kemometri og multivariat kalibrering.
  • Multipel lineær regression
  • Klassiske mindste kvadraters metode
  • Principal komponentanalyse
  • Principal komponentregression
  • Partiel mindste kvadraters metode
  • Validering og optimering af kalibreringsmodel

Ansvarlig underviser: Hans Christian Petersen

Læs hele kursusbeskrivelsen

DM863: Deep Learning

Maskinlæring spiller en stor rolle i vores hverdag, fra simple produktanbefalinger til personlige virtuelle assistenter og selvkørende biler. I nyere tid er ”deep learning”, som et resultat af kraftigere hardware og billigere beregningskraft, blevet et populært værktøj til at lære fra kompleks og omfattende data.

I dette kursus vil vi diskutere principperne bag deep learning og dets anvendelse i forskellige felter. Vi vil lære om styrkerne såvel som svaghederne bag disse dybe neurale netværker.

Kurset vil give dig en dyb forståelse for emnet og lære dig at anvende de diskuterede teknikker i en lang række sammenhænge.

Ansvarlig underviser: Richard Röttger

Læs hele kursusbeskrivelsen

DM870: Data mining and machine learning

Datamining- og maskinlæringsteknologier udstyrer beregningsmæssige systemer med evnen til at identificere meningsfulde mønstre i data og til adaptivt at forbedre deres resultater på basis af erfaringerne fra de observerede data.

Dette kursus introducerer de mest almindelige teknikker til at udføre grundlæggende opgaver inden for datamining og maskinlæring, og dækker den grundlæggende teori, algoritmer og applikationer. Kurset balancerer teori og praksis, og dækker de matematiske såvel som de heuristiske aspekter.

For de fleste af teknikkerne i pensum vil såvel de grundlæggende ideer og intuition som en formel beregningsmæssig beskrivelse blive præsenteret. Desuden vil du have mulighed for at eksperimentere og anvende teknikker fra datamining- og maskinlæringsteknikker på udvalgte problemer.

Ansvarlig underviser: Arthur Zimek

Læs hele kursusbeskrivelsen

DM871: Lineær og heltalsprogrammering

Lineær og heltalsprogrammering er et felt i skæringspunktet mellem matematik og datalogi, der har set en stor udvikling i de sidste 60 år. Det giver de værktøjer, der er kernen i operationsanalyse, den disciplin, der giver analysemetoder til at hjælpe at træffe bedre beslutninger.

Det primære fokus for lineær og heltalsprogrammering er på ressourcebegrænsede optimeringsproblemer, der kan beskrives ved hjælp af lineære uligheder og en lineær objektivfunktion. Disse problemer kan opstå i beslutningsprocessen i flere sammenhænge, såsom produktionsindustri, logistik, sundhedssektor, uddannelse, finans, energiforsyning og med flere.

Indholdet af kurset har derfor en høj praktisk relevans.

Ansvarlig underviser: Marco Chiarandini

Læs hele kursusbeskrivelsen

DM872: Matematisk optimering i praksis

Kursets fokus er på avancerede løsningsteknikker til matematiske optimeringsproblemer, der opstår fra konkrete anvendelser i skedulering og ruteplanlægning.

Eksempler på anvendelser er: flow shop- og jobshop-skedulering i produktion, ressourcebegrænset aktivitetsplanlægning, bemanding og arbejdstidsplanlægning og ruteplanlægning med tidsvinduer.

Kurset sigter på at give teorien bag løsningsmetoderne og frem for alt praktisk erfaring med at implementere dem på numeriske instanser af disse optimeringsproblemer.

Ansvarlig underviser: Marco Chiarandini

Læs hele kursusbeskrivelsen

DM865: Heuristikker og approximationsalgoritmer

Mange optimeringsproblemer fra industrielle anvendelser som skedulering, logistik, energiplanlægning, sportsplanlægning m.m. kan formuleres som diskrete optimeringsproblemer, men de kan ikke løses optimalt inden for en rimelig tid. Her spiller heuristikker, meta-heuristikker og approksimations-algoritmer en væsentlig rolle.

Generelle heuristikker og metaheuristikker er løst definerede regler for at finde nær-optimale løsninger. De er ofte inspireret af naturen. For eksempel er de lokale søgeteknikker baseret på princippet om trial and error, hvilket er en mulig måde, hvorpå mennesker intuitivt løser et problem. Succesen af specifikke heuristikker til at løse konkrete problemer på en tilfredsstillende måde afhænger af indsigt i strukturen af problemet og af muligheden for en effektiv implementering.

I modsætning til heuristikker har approksimations-algoritmer en garanteret køretid og løsningskvalitet. For eksempel gennemgår vi en simpel og hurtig algoritme, som garanterer at finde en TSP-tur, som er højst en halv gang længere end den optimale.

Ansvarlig underviser: Marco Chiarandini

Læs hele kursusbeskrivelsen

ST811: Multivariat statistisk analyse

Kurset har til formål at sætte den studerende i stand til at arbejde  systematisk med datasæt med flere variable, hvilket er vigtigt i forhold til at kunne gennemføre statistiske analyser inden for en lang række  forskningsområder, for eksempel biologi og epidemiologi.

Ansvarlig underviser: Hans Christian Petersen

Læs hele kursusbeskrivelsen

ST813: Statistisk modellering

Kurset giver dig indsigt i lineære og generaliserede lineære modellers  matematiske struktur, herunder erfaring med at genkende sådanne modeller
ud fra et givet statistisk problem.

Ansvarlig underviser: Fernando Colchero

Læs hele kursusbeskrivelsen

ST816: Beregningsmæssig statistik

Kurset har til formål at sætte dig i stand til at bruge moderne beregningsmæssigt intensive metoder som et værktøj til at  undersøge stokastiske fænomener og statistiske procedurer, samt til at  udføre statistisk inferens, hvilket er vigtigt i forhold til at foretage statistiske analyser baseret på computation og simulering.

Ansvarlig underviser: Yuri Goegebeur

Læs hele kursusbeskrivelsen

De fleste af disse kurser forudsætter erfaring med programmering og grundlæggende forståelse for lineær algebra.

Specialeprojekter

Nedenstående er eksempler på tidligere specialetitler inden for datavidenskab:

  • Simulation of Traffic Flow in a Real Urban Network (2018)
  • Optimization of coordinated traffic signal intersections (2018)
  • Flight Planning in Free Route Airspaces (2017)
  • Artificial intelligence in action real-time strategy games (2016)
  • Optimizing heat and power production using column generation (2016)