Behörighetskrav

120 hp inklusive 90 hp statistik och 7,5 hp programmering i R, Python eller Julia.

Mål

En student som gått utbildningen skall:

• vara väl förtrogen med ett stort antal maskininlärningsmodeller
• kunna använda metoder för att utvärdera och förbättra prediktiva modeller
• kunna beskriva och diskutera etiska aspekter på big data och black box-modeller
• kunna hantera stora data
• kunna träna och använda maskininlärningsmodeller i programspråket R
• kunna träna och använda neurala nätverk med Keras/Tensorflow

Innehåll

Regulariserad regression, närmsta-grannar-metoder, beslutsträd, ensemblemodeller, bagging, out-of-sample-utvärdering, hantering av stora datamängder, etiska frågor kring big data och

prediktiva modeller, metoder för genomskinlig maskininlärning, samt neurala nätverk: arkitekturer, gradient descent, generativa modeller, regularisering och adversarial examples.

Undervisning

Undervisning ges i form av föreläsningar, datorövningar och/eller seminarier.

Examination

Examinationen sker genom redovisning skriftligt och/eller muntligt av obligatoriska inlämningsuppgifter.

Övriga föreskrifter

Kursen ingår i masterprogrammet i Statistik.