Statistik: Algebraiska och statistiska grunder för maskininlärning

Om utbildningen

Hur lär sig en maskin av data, och vilka matematiska och statistiska principer ligger bakom? I den här kursen får du fördjupa dig i de algebraiska, sannolikhetsteoretiska och statistiska grunder som moderna metoder inom maskininlärning bygger på. Kursen ger en avancerad introduktion till de matematiska och statistiska grunderna för maskininlärning. Du studerar hur data kan representeras och analyseras med hjälp av algebraiska verktyg, sannolikhetslära och statistiska modeller. Kursen behandlar också hur osäkerhet kan beskrivas och hanteras samt hur olika modellantaganden påverkar resultaten. Kursen inleds med matriser, multivariata och betingade fördelningar, den multivariata normalfördelningen samt singulärvärdesuppdelning och dess geometriska tolkning. Därefter behandlas sannolikhetsteoretiska verktyg för att analysera osäkerhet och slumpmässiga data, bland annat gränser och approximationer, asymptotiska fenomen och koncentrationsolikheter. Kursen avslutas med statistisk modellering och inferens, där bland annat likelihood, maximum likelihood-skattning samt avvägningen mellan bias och varians behandlas.

Behörighet

Kandidatexamen i statistik, matematik, datavetenskap eller fysik med sammanlagt minst 45 hp i statistik, sannolikhetslära och linjär algebra, varav minst 30 hp i statistik och sannolikhetslära, eller motsvarande. Engelska 6/ Engelska nivå 2.

Rekommenderade förkunskaper: uh

Alla tillfällen (1)

Liknande utbildningar

• Statistik: Maskininlärning ur ett regressionsperspektivUniversitet/högskola
• Statistik: Avancerad maskininlärningUniversitet/högskola
• Statistisk inferens och maskininlärningUniversitet/högskola
• Från statistik till maskininlärning: nya verktyg för dataanalysUniversitet/högskola