Kursplan fastställd 2021-02-26 av programansvarig (eller motsvarande).
Kursöversikt
- Engelskt namnStatistical learning for big data
- KurskodMVE441
- Omfattning7,5 Högskolepoäng
- ÄgareMPENM
- UtbildningsnivåAvancerad nivå
- HuvudområdeMatematik
- InstitutionMATEMATISKA VETENSKAPER
- BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd
Kurstillfälle 1
- Undervisningsspråk Engelska
- Anmälningskod 20136
- Sökbar för utbytesstudenterJa
Poängfördelning
Modul | LP1 | LP2 | LP3 | LP4 | Sommar | Ej LP | Tentamensdatum |
|---|---|---|---|---|---|---|---|
| 0120 Projekt 1,5 hp Betygsskala: UG | 0 hp | 0 hp | 0 hp | 1,5 hp | 0 hp | 0 hp | |
| 0220 Hemtentamen 6 hp Betygsskala: TH | 0 hp | 0 hp | 0 hp | 6 hp | 0 hp | 0 hp |
I program
- MPCAS - KOMPLEXA ADAPTIVA SYSTEM, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
- MPDSC - DATA SCIENCE OCH AI, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
- MPENM - MATEMATIK OCH BERÄKNINGSVETENSKAP, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
Examinator
Rebecka Jörnsten- Professor, Tillämpad matematik och statistik, Matematiska vetenskaper
Behörighet
Grundläggande behörighet för avancerad nivåSökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Särskild behörighet
Engelska 6Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Kursspecifika förkunskaper
En grundläggande kurs i statistisk slutledning och MVE190 Linjära Statistiska Modeller. Studenter kan också kontakta kursläraren för tillstånd att ta kursen.Syfte
Kursen skall ge förståelse för och övning i tekniker för statistisk analys av stora datamängder.Lärandemål (efter fullgjord kurs ska studenten kunna)
- visa förståelse för centrala begrepp och ideer rörande klassifikation, klustering och dimensionsreducering
- lösa högdimensionella dataanalys-övningar och tolka resultaten av sådana analyser
Innehåll
- Överblick över högdimensionell dataanalys
- Klassifikation: Bayes regel, diskriminantanalys-metoder, närmaste granne klassifikator, klassifikations- och regressions-träd.
- Kostfunktioner, greedy searches, gradient descent, korsvalidering.
- Logistisk regression
- Regulariseringsmetoder. Gles logistisk regression, gles diskriminantanalys.
- Ensemble-metoder: bagging, random projections, random forests.
- Klustering: k-means, hierarkisk klustering, modell-baserad klutering, spektrala metoder.
- Dimensionsreduktion: PCA, kanonisk korrelation, multi-dimensional scaling.
- Speciella teman (urval av följande): nätverk och grafiska modeller, gles kovariansestimering, klustering av nätverk och community detection, nevrala nätverk, matriskomplettering, collaborative filtering.
- Stor-skala lärning: stochastic searches, batch-metoder, online learning.
Organisation
Föreläsningar, diskussioner och läsuppgifter.Litteratur
Meddelas senare.Examination inklusive obligatoriska moment
Muntlig och/eller skriftlig examen.Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.