SF1930 · Kungliga Tekniska högskolan

Statistisk inlärning och dataanalys

9 tentor

Kom igång gratis

Kursinnehåll

2025-10-16

Joakim Andén · 0 uppgifter

2024-10-25

Liam Solus · 0 uppgifter

2023-12-19

Liam Solus · 0 uppgifter

2023-10-27

Liam Solus · 0 uppgifter

2022-12-21

Liam Solus · 0 uppgifter

Vad ingår?

0 uppgifter

Sorterat efter ämne och svårighet, direkt från tentor.

9 tentor med lösningar

Alla tidigare tentor samlade, öva på riktiga examensfrågor.

AI-handledare (KAI)

Få steg-för-steg-hjälp dygnet runt, skräddarsydd för den här kursen.

0 studieplaner

Personliga studieplaner som anpassar sig till dina framsteg.

Generera tester

Skapa anpassade övningstester baserat på ämne och svårighet.

Framstegsanalys

Se vad du vet, vad du behöver granska och vad som finns kvar.

Kurs info

Kurssida Kursplan

Språk

Svenska

Nivå

Grundnivå

Fakultet

Skolan för teknikvetenskap

Institution

SCI/Matematik

Lärandemål

Efter avslutad kurs ska studenten kunna:

formulera och tillämpa begrepp inom statistisk inferens och prediktion för att lösa teoretiska problem;
formulera och tillämpa metoder inom statistisk inferens och prediktion för att lösa problem inom dataanalys;
utforma och implementera metoder inom statistisk inlärning för dataanalys.

Kursinnehåll

Kursen ger en introduktion till teorin för statistisk inferens och prediktion, vilka utgör de grundläggande målen för modern statistisk dataanalys och maskininlärning. Stor vikt ges åt flerdimensionella sannolikhetsfördelningar och exponentialfamiljer, vilka är fundamentala verktyg för att modellera dataanalytiska problem, och med hjälp av grafiska modeller erhålls en kraftfull teori för att beskriva betingade beroenden med bäring på statistiska inferensproblem av hög dimension. Beslutsteori ger ett ramverk för att dels fatta optimala beslut under statistisk osäkerhet, dels väga olika statistiska tillvägagångssätt mot varandra. Speciellt spelar Bayesiansk beslutsteori – i vilken inferens- och inlärningsproblemen löses genom beräknandet av posteriorifördelningar respektive prediktiva fördelningar – idag en central roll inom statistisk dataanalys och används för att konstruera Bayesianska punktskattningar, hypotestest och kredibilitetsintervall. Parallellt med det Bayesianska synsättet diskuteras även likelihood-teori och i synnerhet maximum likelihood-skattningens asymptotiska egenskaper då mängden data växer mot oändligheten. I kursen introduceras även grundläggande statistiska beräkningsmetoder, såsom stokastiska gradientmetoder och Markovkedjemetoder (MCMC). Sådana metoder är av stor betydelse inom modern datorintensiv statistik och tillämpas i kursen på verkliga dataanalytiska problem inom ramen för ett datorbaserat projekt.

Förutsättningar