Emne

Statistisk læring (STA530)

Fakta

Emnekode STA530

Vekting (stp) 10

Semester undervisningsstart Høst

Undervisningsspråk Engelsk

Antall semestre 1

Vurderingssemester Høst

Timeplan Vis timeplan

Litteratur Pensumlisten finner du i Leganto

Intro

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

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

Mappe med to innleveringer

Vekt 1/5

Karakter Bokstavkarakterer

Trekkfrist 24.10.2025

Skriftlig eksamen

Vekt 4/5

Varighet 4 Timer

Karakter Bokstavkarakterer

Trekkfrist 24.11.2025

Eksamensdato 08.12.2025

Hjemmeoppgaver og skriftlig slutteksamen, vurdert med bokstavkarakterer.

Emnet har to vurderingsdeler. 1) Prosjektarbeid som teller 20 % av sluttkarakter, 2) En skriftlig slutteksamen som teller 80 % av sluttkarakter. Både prosjektarbeidet og eksamen må være bestått for å få en bestått sluttkarakter i emnet. Kandidater med ikke-bestått på prosjektarbeidet kan ikke levere prosjektarbeid på nytt før neste gang emnet har ordinær undervisning. Prosjektarbeidet består av to deler som er likt vektet. Endelig karakter på prosjektarbeidet gis når alle arbeidene/oppgavene er innlevert og mappen som helhet sensureres.

Det arrangeres ikke konte-eksamen på mappedelen/prosjektdelen av emnet.

Skriftlig eksamen er med penn og papir

Arbeidsformer

Forelesninger, oppgavearbeid/datalab, prosjektarbeid.

Åpent for

Enkeltemner på masternivå ved Det teknisk-naturvitenskapelige fakultet
Data Science Computational Engineering Datateknologi Datateknologi Datateknologi - master i teknologi, deltid Miljøteknologi Industriell økonomi Industriell økonomi - master i teknologi/siv.ing., femårig Konstruksjons- og maskinteknikk Konstruksjons- og maskinteknikk - master i teknologi/siv.ing., femårig Kybernetikk og robotteknologi - master i teknologi/siv.ing., femårig Matematikk og fysikk Matematikk og fysikk Offshore Field Development Technology - master i teknologi/siv.ing. Industriell teknologi og driftsledelse Marin- og undervannsteknologi, master i teknologi/siv.ing., femårig Marin- og offshoreteknologi Petroleum Geosciences Engineering - master i teknologi/siv.ing. Petroleumsteknologi Petroleumsteknologi - master i teknologi, femårig Risk Analysis Kybernetikk og anvendt KI Samfunnssikkerhet, spesialisering teknisk samfunnssikkerhet - Master i teknologi/siv.ing. Risk Management - Master's Degree Programme (master i teknologi/siviling.)

Opptakskrav

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

Emneevaluering

Fakultetet avgjør om det skal gjennomføres tidligdialog i alle emner eller i utvalgte grupper av emner. Formålet er å få tilbakemeldinger fra studentene for forbedringer i semesteret. I tillegg skal det gjennomføres en digital emneevaluering minst hvert tredje år for å innhente studentenes erfaringer.

Litteratur

Book An Introduction to statistical learning : with applications in R Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, New York, Springer, 607, cop. 2021, isbn:9781071614174, View online
Emnebeskrivelsen er hentet fra Felles studentsystem Versjon 1