Om kursen
Kursen är uppdelad i fyra delar: bas för maskininlärningsapplikationer, statistiska inlärningsmetoder, maskininlärningsmetoder och prognoser för tidsserier. Några mer detaljer om varje del ges enligt nedan.
- Grund för maskininlärningsapplikationer:
- Förtydligande av olika terminologier inom AI och ML
- Översikt över olika maskininlärningskategorier
- Grundläggande matematik och statistik för tillämpning av ML
- Statistiska inlärningsmetoder
- Regression och dess tolkning
- Gradient för regression (parameteruppskattningar)
- Polynom- och Spline-montering
- Allmän linjär regression
- Generaliserad tillsatsmodell och blandad effektmodell
- Maskininlärningsmetoder
- Logistisk regression och klassificering
- Neuralt nätverk
- Stödvektormaskin
- Beslutsträd och ensemblealgoritm
- Boosting-metod (XGBoost)
- Maskininlärningsmetoder
- Gaussisk omvandlingsmetod
- Grundläggande egenskaper för stationär Gaussisk process
- Autokorrelation och villkorad förväntan
- Auto regressiva modeller och modeller för glidande medelvärde
- ARIMA-modeller
- Exempel på applikationer
Mer information
Vänligen kontakta Wengang Mao. E-post: wengang.mao@chalmers.se
Kurslitteratur
Hastie T., Ribshirani R. and Friedman J. (2003). The elements of statistical learning, Data mining, inference and prediction. Springer.
Shalizi, C.R. (2019). Advanced data analysis from an Elementary point of view. Pre-print.
Shumway, R.H. and Stoffer, D.S. (2016). Time series analysis and its applications with R examples, Fourth edition. Springer.
Wei, W.W.S. (2006). Time series analysis Univariate and multivariate models, Second edition. Pearson Addison Wesley.
Föreläsare
Wengang Mao
Phone: 0317721483
Email: wengang.mao@chalmers.se
