Statistisk læring (STA530)

Introduksjon til statistisk læring, multippel lineær regresjon, klassifikasjon, resamplingsmetoder, modellseleksjon, regularisering, ikke-linearitet, trebaserte metoder, klyngeanalyse.


Dette er emnebeskrivelsen for studieåret 2022-2023. Merk at det kan komme endringer.

Fakta

Emnekode

STA530

Versjon

1

Vekting (Sp)

10

Semester undervisningsstart

Høst

Antall semestre

1

Vurderingssemester

Høst

Undervisningsspråk

Engelsk

Tilbys av
Timeplan

Vis timeplan

Innhold

Statistisk læring, multippel lineær regresjon, klassifikasjon, resamplingsmetoder, modellseleksjon, regularisering, ikke-linearitet, trebaserte metoder, klyngeanalyse.

Læringsutbytte

1. Kunnskap. Studenten kjenner godt til de mest populære statistiske modeller og metoder som benyttes i prediksjon og inferens  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 (R). Studenten vet hvordan resultatene fra de statistiske analysene skal presenteres, og hvilke konklusjoner som kan trekkes fra analysene. 

Forkunnskapskrav

Ingen

Anbefalte forkunnskaper

Et grunnkurs i sannsynlighetsregning og statistikk tilsvarende STA100 Sannsynlighetsregning og statistikk 1. Grunnleggende matematisk analyse og lineær algebra på universitetsnivå tilsvarende MAT100 og MAT200. Erfaring med bruk av programvare, fortrinnsvis R. Minst ett videregående emne i statistikk som f.eks. STA500 eller STA510 er en fordel men ikke et absolutt krav for å ta emnet.   

Eksamen / vurdering

Vurderingsform Vekting Varighet Karakter Hjelpemiddel
Skriftlig prøve 1/1 4 Timer Bokstavkarakterer Ingen trykte eller håndskrevne hjelpemidler tillatt. Godkjent, enkel kalkulator tillatt

Vilkår for å gå opp til eksamen/vurdering

Obligatoriske innleveringer
2 obligatoriske undervisningsaktiviteter må være godkjente for å få lov til å gå opp til eksamen. 

Fagperson(er)

Emneansvarlig:

Jan Terje Kvaløy

Faglærer:

Kaouther Hadji

Emneansvarlig:

Bjørn Henrik Auestad

Arbeidsformer

Forelesninger, oppgavearbeid/datalab.

Åpent for

Enkeltemner ved Det teknisk-naturvitenskaplige fakultet Applied Data Science, master i teknologi/siv.ing. Computational Engineering - master i teknologi/siv.ing. Data Science - master i teknologi/siv.ing., femårig Datateknologi - master i teknologi/siv.ing., femårig Datateknologi - master i teknologi/siv.ing. Datateknologi - master i teknologi/siv.ing., deltid Miljøteknologi - master i teknologi/siv.ing. Industriell økonomi - master i teknologi/siv.ing. Industriell økonomi - master i teknologi/siv.ing., femårig Konstruksjons- og maskinteknikk - master i teknologi/siv.ing. Konstruksjons- og maskinteknikk - master i teknologi/siv.ing., femårig Matematikk og fysikk - masterstudium Matematikk og fysikk - femårig integrert master Offshore Field Development Technology - master i teknologi/siv.ing. Industrial Asset Management - Master's Degree Programme Marin- og undervannsteknologi, master i teknologi/siv.ing., femårig Marin- og offshoreteknologi - master i teknologi/siv.ing. Petroleum Geosciences Engineering - master i teknologi/siv.ing. Petroleumsteknologi - master i teknologi/siv.ing. Petroleumsteknologi - master i teknologi, femårig Risk Management - Master's Degree Programme (master i teknologi/siviling.)

Emneevaluering

Skjer vanligvis gjennom skjema og/eller samtaler i henhold til gjeldende retningslinjer.

Litteratur

Pensumlisten finner du i Leganto