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 ger en överblick över viktiga tekniker och begrepp inom statistisk inlärning. Tekniker för övervakad maskininlärning, både klassiska och mer moderna metoder, behandlas. Särskilt behandlas så kallade ensemble-metoder (t.ex. random forests), djupa neurala nätverk samt tekniker för regulariserad linjär regression. Även metoder för oövervakad inlärning (klustring) samt dimensionsreduktion behandlas. Kursen innefattar speciellt matematisk teori om maskininlärning generellt samt särskilt om de metoder som presenteras.

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.