Statistik: Maskininlärning för prediktiv inferens

Om utbildningen

Hur kan maskininlärning användas för att göra träffsäkra prediktioner och samtidigt ge en tydlig bild av osäkerheten i resultaten? På den här kursen får du arbeta med moderna metoder för klassificering, prediktion och oövervakat lärande samt lära dig hur modeller kan utvärderas, jämföras och tolkas. Du studerar metoder för klassificering och probabilistisk prediktion, ensemblemetoder som boosting och random forests, samt metoder för oövervakat lärande, exempelvis k-means, hierarkisk klustring och spektral klustring. Kursen tar också upp nätverk och slumpgrafer, modellutvärdering, osäkerhetskvantifiering och tolkningsbar maskininlärning. Efter kursen ska du kunna tillämpa de metoder som behandlas, analysera empiriska problem, dra slutsatser från analyser och presentera resultaten både skriftligt och muntligt. Du utvecklar också förmågan att jämföra olika metoder och välja en lämplig metod för ett givet problem.

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: Avancerad maskininlärningUniversitet/högskola
• Statistik: Maskininlärning ur ett regressionsperspektivUniversitet/högskola
• Statistisk inferens och maskininlärningUniversitet/högskola
• Statistik: Algebraiska och statistiska grunder för maskininlärningUniversitet/högskola