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 kan, for et eksisterende datasett, velge en egnet statistisk modell og metode, og utføre statistiske analyser ved hjelp av statistisk programvare. Studenten kan presentere, interpretere og formidle resultatene fra de statistiske analysene, og vet hvilke konklusjoner som kan trekkes fra analysene, og hva er forbehold.

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

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.

Studiepoengreduksjon