Statistisk inlärning med högdimensionella data 7,5 hp

Om kursen

Denna kurs ger både vad gäller djup och bredd, omfattande kunskap i "data science" och statistisk inlärning. I kursen diskuteras både traditionella och toppmoderna metoder och algoritmer inom områdena. De relaterade grundläggande teorierna behandlas också. Efter godkänd kurs förväntas studenterna ha stark förmåga att lösa problem med hjälp av data. Dessutom förväntas de ha en stark självstudieförmåga för att förstå och lära sig nyutvecklade metoder och algoritmer.

Modul 1 (3 hp): Teori.
Kursen omfattar tre familjer av tillvägagångssätt för dimensionalitetsreduktion: spektralbaserad inlärning (multidimensionell skalning, isomap, kernel PCA, etc.), mångfaldig inlärning (lokalt linjär inbäddning, Hessian eigen-mapping, t-fördelad stokastisk granninbäddning, etc.), och metoder baserade på djupa neurala nätverk (autoencoders, variational autoencoder, etc.). Som specialfall av dimensionalitetsreduktion diskuteras också olika metoder för val av egenskaper, såsom ridge-regression, LASSO och feature importance. Övervakade inlärningsmetoder inklusive de kärnbaserade metoderna (Kernel ridge regression, support vector machine, etc.), ensemble-metoder (random forest och adaboost), neurala nätverk och olika djupinlärningsmetoder och arkitekturer diskuteras. Dessutom ingår oövervakade inlärningsmetoder inklusive olika klustringsanalysalgoritmer, såsom densitetsbaserade metoder och spektral klusteranalys. Djupinlärningsbaserade oövervakade inlärningsmetoder, såsom generativa kontradiktoriska nätverk och dess variationer innefattas också. Slutligen diskuteras grundläggande matematiska teorier för kärnmetoder, ensemblemetoder, ansatser med straff, grunda nätverk, algoritmer för sluttande gradient, universella estimatorer och fundamentala inlärningssatsen etc.

Modul 2 (4.5 hp) Datorlaborationer.
I modulen ingår analys av flera datamaterial med hjälp av de i kursen ingående statistiska metoderna. Analyserna utförs i något av programspråken R eller Python. I modulen ingår omfattande skriftliga redogörelser för analyserna och deras resultat.

Visa kursplan

Anmäl dig

HT2025
- Statistisk inlärning med högdimensionella data
  
  HT25 / Umeå / Engelska / På plats
  
  Visa mer Visa mindre
  
  Startar
  3 november 2025
  
  Slutar
  18 januari 2026
  
  Omfattning
  7,5 hp
  
  Undervisning
  På plats
  
  Studietakt
  50%
  
  Undervisningstid
  Dagtid
  
  Studieort
  Umeå
  
  Undervisningsspråk
  Engelska
  
  Anmälningskod
  UMU-58211
  
  Behörighet
  För tillträde till kursen krävs 90 hp inkluderande 7,5 hp programmeringsmetodik, 7,5 hp Multivariat dataanalys och 12 hp matematisk statistik eller motsvarande kunskaper. Engelska och svenska för grundläggande behörighet för högskolestudier.
  
  Urval
  
  Platsgaranti
  
  Studieavgift
  Gäller endast medborgare utanför EU, ESS och Schweiz. Anmälningsavgift: 900 kr. Studieavgift, första inbetalningen: 19 038 kr. Total studieavgift: 19 038 kr. Anmälnings- och studieavgifter
  
  Anmälan
  Sista anmälningsdag var den 15 april 2025. Du kan inte längre anmäla dig.

Anmäl dig via antagning.se
Du anmäler dig till våra program och kurser på antagning.se. Där kan du sedan följa din anmälan och kontrollera att dina meriter registrerats. Det är även där du loggar in för att svara på ditt antagningsbesked.

Sen anmälan
Efter sista anmälningsdag stänger anmälan till alla utbildningar. De kurser och program som har platser kvar kan vara öppna för sen anmälan. Dessa utbildningar är då märkta ”Öppen för sen anmälan” på antagning.se.

Mer om anmälan och antagning

Lär känna Umeå universitet

Här finns utbildningar av hög kvalitet och forskning inom alla vetenskapsområden och det konstnärliga området. Gemensamt för alla våra utbildningar är hög kompetens bland lärarna och ett tätt samspel mellan forskning, utbildning, samverkan och innovation.

Flest pedagogiskt meriterade lärare i Sverige

Priset går till lärare som verkligen engagerar sig, använder uppskattade metoder eller inspirerar.
Ett universitet där hälsa får ta plats

Umeå universitet är certifierat som ett Healthy Campus med många initiativ och aktiviteter som främjar hälsa.