Kursplan för Statistik för stora datamängder

Kursplan fastställd 2015-02-11 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnStatistical learning for big data
  • KurskodMVE440
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPENM
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeMatematik
  • InstitutionMATEMATISKA VETENSKAPER
  • BetygsskalaTH - Fem, Fyra, Tre, Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 20130
  • Max antal deltagare120
  • Min. antal deltagare3
  • Sökbar för utbytesstudenterJa

Poängfördelning

0115 Tentamen 7,5 hp
Betygsskala: TH		0 hp0 hp0 hp7,5 hp0 hp0 hp
  • Kontakta examinator
  • Kontakta examinator
  • Kontakta examinator

I program

Examinator

Gå till kurshemsidan (Öppnas i ny flik)

Behörighet

Information saknas

Särskild behörighet

För kurser på avancerad nivå gäller samma grundläggande och särskilda behörighetskrav som till det kursägande programmet. (När kursen är på avancerad nivå men ägs av ett grundnivåprogram gäller dock tillträdeskrav för avancerad nivå.)
Undantag från tillträdeskraven: 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.