Vurderingsordning

Faglig innhold

Statistisk læring, multippel lineær regresjon, klassifikasjon, resamplingmetoder, modellseleksjon/regularisering, ikke-linearitet, trebaserte metoder, nevrale nettverk

Læringsutbytte

1. Kunnskap. Studenten kjenner godt til de mest populære statistiske modeller og metoder som benyttes i prediksjon i vitenskap og teknologi, dette inkluderer spesielt regresjons- og klassifikasjonsmodeller.
2. Ferdigheter. Studenten vet hvordan han/hun for et eksisterende datasett kan velge en egnet statistisk modell og metode, og utføre statistiske analyser ved hjelp av statistisk programvare. Studenten vet hvordan resultatene fra de statistiske analysene skal presenteres, og hvilke konklusjoner som kan trekkes fra analysene.

Læringsformer og aktiviteter

Forelesninger, øvinger og arbeider (prosjekter).
Mappevurdering gir grunnlag for sluttkarakter i emnet. I mappen inngår skriftlig avsluttende eksamen (80%) og arbeider (prosjekter) (20%).
Resultater for delene angis i %-poeng, mens vurdering for hele mappen (sluttkarakteren) angis med bokstavkarakter. Ved utsatt eksamen (kontinuasjonseksamen) kan skriftlig eksamen bli endret til muntlig eksamen.
Undervisningen i emnet vil kunne bli gitt på engelsk. Dersom kurset foreleses på engelsk kan eksamen bli gitt kun på engelsk. Studentens besvarelse kan være på norsk eller engelsk.

Obligatoriske aktiviteter

• Arbeider

Mer om vurdering

Dersom studenten også etter utsatt eksamen har sluttkarakteren F/ikke-bestått, må studenten gjenta hele emnet neste studieår. Arbeider som teller med i sluttkarakteren må gjentas. For mer informasjon om vurdering, se «Læringsformer og aktiviteter».

Spesielle vilkår

Anbefalte forkunnskaper

Emnet TMA4240/TMA4245 Statistikk eller tilsvarende kunnskaper. God forståelse for lineær algebra (matrisemetoder) og optimering.

Kursmateriell

James, G., Witten, D., Hastie, T., Tibshirani, R. "An Introduction to Statistical Learning
with Applications in R", Springer. Mulig tilleggslitteratur oppgis ved semesterstart.