Faglig innhold

Emnet har fokus på begreper, prinsipper og metoder innen statistisk inferens og læring. Innholdet er en utvidelse av hva som tidligere er lært i emnene som listet under Forkunnskapskrav.

Læringsutbytte

1. Kunnskap. Forstå og kunne gjøre rede for sentrale teoretiske aspekter i statistisk inferens og læring. Forstå og kunne gjøre rede for hvordan man bruker metodene fra statistisk inferens og læring til å utføre en god dataanalyse. Være i stand til å evaluere styrker og svakheter ved metodene og velge mellom dem i en gitt dataanalysesituasjon. 2. Ferdigheter. Kunne analysere et datasett med metoder fra statistisk inferens og læring i praksis (ved hjelp av R eller Python), og kunne diskutere valgene som er gjort og resultatene som er funnet. 3. Kompetanse. Studentene vil være i stand til å delta i vitenskapelige diskusjoner, og sette seg inn i forskning presentert i statistiske tidsskrifter. De vil være i stand til å delta i anvendte prosjekter der data skal analyseres med metoder fra statistisk inferens og læring.

Læringsformer og aktiviteter

Forelesninger, evt. som ledet selvstudium. Obligatorisk praktisk gruppeprosjekt i dataanalyse (anvendelse av teorien i emnet med bruk av R eller Python) og obligatorisk muntlig gruppepresentasjon presentasjon av en forskningsartikkel eller et forskningstema.

Emnet foreleses normalt hvert annet år, og bare dersom et tilstrekkelig antall interesserte melder seg. Dersom det melder seg få studenter, vil kurset gis som ledet selvstudium.

Obligatoriske aktiviteter

• Arbeider

Anbefalte forkunnskaper

Emnene TMA4267 Lineære statistiske modeller, TMA4295 Statistisk inferens, TMA4300 Beregningskrevende statistiske metoder, TMA4268 Statistisk læring, TMA4315 Generalized linear models - eller tilsvarende kunnskap. God forståelse og erfaring med R, eller Python, for statistisk dataanalyse

Kursmateriell

The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition (Springer Series in Statistics, 2009) by Trevor Hastie, Robert Tibshirani, and Jerome Friedman. I tillegg vil det bli bruke utvalgt annet materiale (kapitler fra bøker og journalartikler). Detaljert informasjon blir gitt ved semesterstart.