Hopp til hovedinnhold

Statistisk læring STA530

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


Dette er emnebeskrivelsen for studieåret 2021-2022

Fakta
Emnekode

STA530

Versjon

1

Vekting (SP)

10

Semester undervisningsstart

Høst

Antall semestre

1

Vurderingsemester

Høst

Undervisningsspråk

Engelsk

Tilbys av

Det teknisk-naturvitenskapelige fakultet, Institutt for matematikk og fysikk

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 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. 

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

Hjemmeoppgave og skriftlig slutteksamen

Vurderingsform Vekting Varighet Karakter Hjelpemiddel
Hjemmeoppgave 1/2 A - F
Skriftlig slutteksamen 1/2 4 Timer A - F

Emnet består av to vurderingsdeler. 1) Prosjektarbeid som teller 50 % av sluttkarakter, 2) En skriftlig slutteksamen som teller 50 % 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.

Fagperson(er)
Emneansvarlig: Jan Terje Kvaløy
Emneansvarlig: Bjørn Henrik Auestad
Arbeidsformer
Forelesninger, oppgavearbeid/datalab.
Åpent for
Enkeltemner ved Det teknisk-naturvitenskaplige fakultet Applied Data Science, master Computational Engineering, master Datateknologi - Master program Datateknologi - Master program - deltid Industriell økonomi - Master i teknologi/siv.ing. Industriell økonomi - Master i teknologi/siv.ing. 5 år Mathematics and Physics - Master of Science Degree Programme Matematikk og fysikk, femårig integrert masterstudium i realfag Risk Management - Master's Degree Programme (Master i teknologi/siviling.)
Emneevaluering
Skjer vanligvis gjennom skjema og/eller samtaler i henhold til gjeldende retningslinjer.
Litteratur
Søk etter pensumlitteratur i Leganto