Kursplan för Statistik för stora datamängder

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 20112
  • Sökbar för utbytesstudenterJa

Poängfördelning

0120 Projekt 1,5 hp
Betygsskala: UG		 1,5 hp
0220 Hemtentamen 6 hp
Betygsskala: TH		 6 hp

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande 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.