732G57 · 7,5 hp · Grundnivå (G2F) · Statistik
Maskininlärning för statistiker
Ges · nästa start HT 2026
73 %
klarade senaste ordinarie tillfället
DAT1 · 24 okt 2025 · 15 studenter
73 %
klarade de ordinarie tillfällena, alla tillfällen de senaste 5 åren
DAT1 · 15 studenter
Ingår i 1 program
Övrigt moment
DAT1 Tentamen
- VG
- G
- U
Ordinarie tillfällen
73 % godkända · 15 studenter
- 73 %15
Senare tillfällen
43 % godkända · 14 studenter
- 60 %5
- 33 %9
- Klarar ett senare tillfälle: 43 % (14 studenter), jämfört med 73 % (15 studenter) på ordinarie
- Får VG: 17 % (29 studenter)
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Inlämning eller laboration
UPG2 Gruppvis muntlig redovisning av inlämningsuppgift
- G
Ordinarie tillfällen
100 % godkända · 22 studenter
- 100 %22
Senare tillfällen
Inga tillfällen med minst 5 studenter.
Inlämning eller laboration
UPG1 Gruppvis skriftlig redovisning av inlämningsuppgift
- G
Ordinarie tillfällen
100 % godkända · 20 studenter
- 100 %20
Senare tillfällen
Inga tillfällen med minst 5 studenter.
Visa små tillfällen (1)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %2
Om kursen
Mål
Efter avslutad kurs ska den studerande kunna:
- beskriva vanliga begrepp och metoder inom maskininlärning
- identifiera, välja och skatta modeller inom maskininlärning
- identifiera, välja och använda algoritmer för maskininlärningsproblem
- använda programvara för att genomföra analyser
- validera, utvärdera och kritiskt granska resultatet av en utförd analys
- presentera och kritiskt diskutera resultat av utförda analyser både skriftligt och muntligt
- kritiskt bedöma kvaliteten i givna datamängder
- kombinera lämpliga metoder för analys i givna datamängder
- värdera de generaliseringsmöjligheter som kan göras med valda metoder utifrån i givna datamängder
- utföra uppgifter inom givna tidsramar
Innehåll
I kursen behandlas:
- grundläggande begrepp inom maskininlärning
- variabelselektion, regularisering och modellval
- metoder för att generalisera slutsatser, exempelvis datauppdelning i träning-, validerings- och testmängder
- icke-linjär klassificering och regression
- modeller inom maskininlärning, exempelvis trädmodeller, neurala nätverk, k-närmaste grannar, splines, generaliserade additiva modeller
- ensemblemetoder, exempelvis bagging och boosting
- metoder för klusteranalys, exempelvis k-means, k-medoid, täthets- och hierarkiska klustringsmetoder, samt metoder för att utvärdera klusteranalys
- Examinator
- Josef Wilzén
- Huvudområde
- Statistik