Statistisk inlärning

Kursen fokuserar främst på de tillämpade aspekterna av statistisk inlärning men algoritmerna för statistisk inlärning studeras också. Kursen omfattar övervakade (supervised) inlärningsalgoritmer, med särskild tonvikt på klassificeringsmetoder som logistisk regression, klassificeringsträd, linjär diskriminantanalys, kvadratisk diskriminantanalys, K-nearest neighbour, support vector machine, och regressionsmetoder inklusive linjär regression, splines, generaliserade additiva modeller och regressionsträd. Kursen täcker också oövervakade (unsupervised) inlärningsmetoder som principalkomponentanalys, k-mean klustring och hierarkisk klustring. Modellvalidering genom korsvalidering, och bootstrap metoder behandlas. Regularisering för modellval, högdimensionell dataanalys, och förbättring av prediktionsprestanda genom model averaging, bagging och boosting ingår också.

Kursen fokuserar främst på de tillämpade aspekterna av statistisk inlärning men algoritmerna för statistisk inlärning studeras också. Kursen omfattar övervakade (supervised) inlärningsalgoritmer, med särskild tonvikt på klassificeringsmetoder som logistisk regression, klassificeringsträd, linjär diskriminantanalys, kvadratisk diskriminantanalys, K-nearest neighbour, support vector machine, och regressionsmetoder inklusive linjär regression, splines, generaliserade additiva modeller och regressionsträd. Kursen täcker också oövervakade (unsupervised) inlärningsmetoder som principalkomponentanalys, k-mean klustring och hierarkisk klustring. Modellvalidering genom korsvalidering, och bootstrap metoder behandlas. Regularisering för modellval, högdimensionell dataanalys, och förbättring av prediktionsprestanda genom model averaging, bagging och boosting ingår också.