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 obligatoriske arbeider (prosjekt). Vurderingen er en avsluttende skriftlig eksamen (100%), mens to prosjekter må fullføres som obligatoriske aktiviteter, der minst 60% av poengene må oppnås for å bli tillatt til eksamen. Forelesningene kan holdes på engelsk.

Obligatoriske aktiviteter

• Prosjekt

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. 2nd Edition.

Studiepoengreduksjon