NDAB18002U Matematisk analyse og sandsynlighedsteori i datalogi (MASD)
Mathematical Analysis and Probability Theory for Computer Scientists (MASD)
Bacheloruddannelsen i datalogi
Kurset giver en introduktion til analyse i en og flere variabler, inklusiv anvendelser i signal- og billedanalyse. Kurset giver derudover en introduktion til sandsynlighedsteori.
Viden om
Følger og serier.
Almindelige matematiske funktioner af en variabel, særlig eksponentialfunktionen.
Kontinuitet, grænseværdier, differentiation og integration i en og flere variable.
Infinitesimalregningens hovedsætning.
Taylors sætning.
Optimering i en og flere variable.
Foldning med anvendelser i signal/billedprocessering.
Almindelige sandsynlighedsfordelinger og deres anvendelser.
De sandsynlighedsteoretiske aksiomer samt de elementære principper for sandsynlighedsberegninger.
Sandsynlighed, betinget sandsynlighed og uafhængighed.
Stokastiske variable, middelværdi og varians.
Diskrete og kontinuerte fordelinger, herunder binomialfordelingen og normalfordelingen.
Færdigheder i
Bevise sætninger og matematiske påstande indenfor analyse og statistik.
Analysere konvergens af følger og serier.
Differentiere og integrere almindelige funktioner af en og flere variable analytisk.
Differentiere og integrere almindelige funktioner af en og flere variable numerisk ved hjælpe af finite differences.
Beregne foldningsoperatorer og kende deres anvendelse i signal- og billedprocessering.
Bruge afledte i en og flere variable til dataprocessering (filtrering) og optimering.
Løse optimeringsproblemer analytisk og numerisk.
Udføre elementære sandsynlighedsberegninger samt foretage almindelige approksimationer eller estimeringer af sandsynligheder.
Udføre estimation i simple normalfordelingsmodeller, herunder ét- og to-stikprøveproblemer, både formelmæssigt og vha. et computerprogram.
Udføre grundlæggende statistiske test, både formelmæssigt og vha. et computerprogram.
Kompetencer i
Løse videnskabelige problemer ved hjælp af analyse, inkluderet analytisk og numerisk løsning af optimeringsproblemer.
Oversætte videnskabelige problemstillinger, der involverer usikkerhed eller tilfældighed, til sandsynlighedsteoretiske problemstillinger, som derefter kan analyseres matematisk.
Se Absalon, når kurset er sat op.
- Kategori
- Timer
- Forberedelse
- 30
- Forelæsninger
- 32
- Holdundervisning
- 28
- Projektarbejde
- 116
- I alt
- 206
As
an exchange, guest and credit student - click here!
Continuing Education - click here!
- Point
- 7,5 ECTS
- Prøveform
- Skriftlig aflevering, 7 dage7-dages tag-hjem eksamen med frist på blokkens sidste dag.
- Krav til indstilling til eksamen
Der er 5-7 obligatoriske øvelsesopgaver (som kan indeholde programmeringsopgaver), under kurset, og alle foruden en skal beståes for at være kvalificeret til eksamen.
- Hjælpemidler
- Alle hjælpemidler tilladt
- Bedømmelsesform
- 7-trins skala
- Censurform
- Ingen ekstern censur
Flere interne bedømmere.
- Reeksamen
Hvis den studerende ikke er kvalificeret til eksamensdeltagelse, kan kvalifikation opnås ved at aflevere og få godkendt ækvivalente skriftlige opgaver eller genaflevering af reviderede, ikke tidligere godkendte opgaver. Afleveringsdeadline er to uger inden eksamen.
Eksamen er 20 minutter mundtlig eksamen uden forberedelse i kursets indhold. Ingen hjælpemidler tilladt.
Kriterier for bedømmelse
Se målbeskrivelsen.
Kursusinformation
- Sprog
- Dansk
- Kursuskode
- NDAB18002U
- Point
- 7,5 ECTS
- Niveau
- Bachelor
- Varighed
- 1 blok
- Placering
- Blok 1
- Skemagruppe
- A (tirs 8-12 + tors 8-17)
- Kursuskapacitet
- Ingen begrænsning.
- Efter- og videreuddannelse
- Studienævn
- Studienævn for Matematik og Datalogi
Udbydende institut
- Datalogisk Institut
Udbydende fakultet
- Det Natur- og Biovidenskabelige Fakultet
Kursusansvarlige
- Aasa Feragen (aasa@di.ku.dk)