Statistisk læring (STA530)

Introduksjon til statistisk læring, multippel lineær regresjon, klassifikasjon, resamplingsmetoder, modellseleksjon, regularisering, ikke-linearitet, trebaserte metoder, forløpsanalyse, klyngeanalyse, multivariable metoder. Anvende metodene i R. 


Dette er emnebeskrivelsen for studieåret 2025-2026. Merk at det kan komme endringer.

Se emnebeskrivelse og eksamens-/vurderingsinfo for dette studieåret (2024-2025)
Fakta

Emnekode

STA530

Versjon

1

Vekting (stp)

10

Semester undervisningsstart

Høst

Antall semestre

1

Vurderingssemester

Høst

Undervisningsspråk

Engelsk

Tilbys av
Timeplan

Vis timeplan

Innhold

NB! Dette er et valgemne og dersom det er færre enn 10 studenter oppmeldt pr. 20. august for høstsemesteret kan dette medføre at emnet ikke tilbys.

Statistisk læring, multippel lineær regresjon, klassifikasjon, resamplingsmetoder, modellseleksjon, regularisering, ikke-linearitet, trebaserte metoder, forløpsanalyse, klyngeanalyse, multivariable metoder. Anvende metodene i R. 

Læringsutbytte

1. Kunnskap. Studenten kjenner godt til de mest populære statistiske modeller og metoder som benyttes i inferens og prediksjon  i vitenskap og teknologi, dette inkluderer spesielt regresjons- og klassifikasjonsmodeller og generaliseringer av disse.

2. Ferdigheter. Studenten vet hvordan hen for et eksisterende datasett kan velge en egnet statistisk modell og metode, og utføre statistiske analyser ved hjelp av den statistisk programvaren 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

Mappeevaluering og skriftlig eksamen

Vurderingsform Vekting Varighet Karakter Hjelpemiddel
Mappe med to innleveringer 1/5 Bokstavkarakterer
Skriftlig eksamen 4/5 4 Timer Bokstavkarakterer

Fagperson(er)

Faglærer:

Tore Selland Kleppe

Faglærer:

Jimmy Huy Tran

Emneansvarlig:

Bjørn Henrik Auestad

Arbeidsformer

Forelesninger, oppgavearbeid/datalab, prosjektarbeid.

Åpent for

Enkeltemner ved Det teknisk-naturvitenskaplige fakultet
Data Science - master i teknologi Computational Engineering - master i teknologi/siv.ing. Datateknologi - master i teknologi/siv.ing., femårig Datateknologi - master i teknologi Datateknologi - master i teknologi, deltid Miljøteknologi - master i teknologi 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 Industriell teknologi og driftsledelse - master i teknologi Marin- og undervannsteknologi, master i teknologi/siv.ing., femårig Marin- og offshoreteknologi - master i teknologi/siv.ing. Petroleumsteknologi - master i teknologi/siv.ing. Petroleumsteknologi - master i teknologi, femårig

Opptakskrav

Søkeren må oppfylle opptakskravet til et av studieprogrammene som emnet er åpent for.

Emneevaluering

Fakultetet bestemmer om det skal gjennomføres tidligdialog i alle, eller grupper av emner som tilbys ved fakultetet. Formålet er tilbakemelding fra studentene for endringer og justering i emnet inneværende semester. I tillegg skal det gjennomføres en digital evaluering, studentenes emneevaluering, minimum hvert tredje år. Den har som formål å innhente studentenes erfaringer med emnet.

Litteratur

Pensumlisten finner du i Leganto