Statistik, Maskininlärning för Data Science, avancerad nivå, 5 högskolepoäng

Statistics, Machine Learning for Data Science, Second Cycle, 5 Credits

Mål

Kunskap och förståelse

Efter genomgången kurs ska studenten ha
• kunskaper om grundläggande principer, typer av algoritmer och begrepp inom maskininlärning
• en förståelse för sambandet mellan maskininlärning och statistisk inlärning/modellering, inklusive deras kompletterande roll i data science.

Kompetens och färdigheter

Efter genomgången kurs ska studenten kunna
• tillämpa både grundläggande övervakade (supervised) och icke övervakade (unsupervised) inlärningsalgoritmer liksom avancerade koncept inom maskininlärning
• utvärdera och jämför modeller baserat på lämpligt utvalda performance kriterier.

Omdöme och förhållningssätt

Efter genomgången kurs har studenten förmågan att
• välja design, analysera och presentera tillämpade fallstudier med maskininlärning inom data science.

Innehåll

• Grundläggande principer för prediktion i maskininlärning
• Supervised, unsupervised och ensemble inlärning
• Representationer och funktioner
• Optimering för inlärningsalgoritmer
• Generalisering av maskininlärningsmodeller
• Neurala nätverk och deep learning
• Dataset inom maskininlärning
• Interpretability och Explainability

Examinationer och betyg

Inlämningsuppgifter, 5 högskolepoäng (Provkod: A001)
Som betyg används Underkänd (F), Tillräcklig (E), Tillfredsställande (D), Bra (C), Mycket bra (B) eller Utmärkt (A).

Enligt 6 kap. 18 § högskoleförordningen ska betyg sättas på en genomgången kurs om inte universitetet föreskriver något annat. Universitetet får föreskriva vilket betygssystem som ska användas. Betyget ska beslutas av en av universitetet särskilt utsedd lärare (examinator).

Enligt universitetets föreskrifter om betygssystem för utbildning på grundnivå och avancerad nivå (beslut ORU 2018/00929) ska något av uttrycken underkänd, godkänd eller väl godkänd användas som betyg. För utbildning som ingår i en internationell magister- eller masterutbildning eller i universitetets kursutbud för utbytesstudenter ska betygsskalan A-F användas. Rektor, eller den rektorn bestämmer, får besluta om undantag från denna bestämmelse för en viss kurs om det finns särskilda skäl.

Som betyg på kursen används Underkänd (F), Tillräcklig (E), Tillfredsställande (D), Bra (C), Mycket bra (B) eller Utmärkt (A).

Examinationsformer

Inlämningsuppgifter, 5 högskolepoäng (Provkod: A001)
Skriftlig och muntlig redovisning

För studenter med dokumenterad funktionsnedsättning kan universitetet besluta om anpassning av examination eller annan examinationsform.

För ytterligare information se universitetets regler för examination inom utbildning på grundnivå och avancerad nivå.

Särskild behörighet och andra villkor

90 hp i statistik på grundnivå, alternativt 30 i statistik och 60 hp i matematik, alternativt 60 hp i statistik där 7,5 hp i statistisk teori och 7,5 hp i regressionsanalys/ekonometri ingår. Dessutom krävs kurserna Statistik, Inferensteori, avancerad nivå, 5 hp, Statistik, Ekonometri, avancerad nivå, 7,5 hp och Datateknik, Programmering för statistiker, avancerad nivå, 5 hp, samt kunskaper motsvarande Engelska kurs 6 eller kurs B från gymnasieskolan.

För ytterligare information se universitetets antagningsordning.

Övriga föreskrifter

Undervisningsspråket är engelska.

Den som antagits till och registrerats på en kurs har rätt att erhålla undervisning och/eller handledning under den tid som angavs för kurstillfället som den sökande blivit antagen till (se universitetets antagningsordning). Därefter upphör rätten till undervisning och/eller handledning.

Litteratur och övriga lärresurser

Obligatorisk litteratur

Moritz Hardt and Benjamin Recht (senaste upplagan)
Patterns, Predictions, and Actions: Foundations of Machine Learning
Princeton University Press, (fritt tillgänglig online)

Trevor Hastie, Robert Tibshirani and Jerome Friedman (senaste upplagan)
The Elements of Statistical Learning
Springer, (fritt tillgänglig online)

I kursen utdelat material.

Referenslitteratur

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibsharani, and Jonathan Taylor (senaste upplagan)
An Introduction to Statistical Learning: with Applications in Python
Springer, (fritt tillgänglig online)

Gareth James, Daniela Witten, Trevor Hastie and Robert Tibsharani (senaste upplagan)
An Introduction to Statistical Learning: with Applications in R
Springer, (fritt tillgänglig online)