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.
SF1930 Statistisk inlärning och dataanalys 6,0 hp
![](https://kursinfostorageprod.blob.core.windows.net/kursinfo-image-container/Picture_by_MainFieldOfStudy_23_Technology.jpg)
Kursen ger en introduktion till teorin för modern statistisk inferens och inlärning.
Om kursomgång
Gäller för kursomgång
HT 2024 Start 2024-08-26 programstuderande
Målgrupp
Endast CTMAT åk2
Del av program
Civilingenjörsutbildning i teknisk matematik, åk 2, Obligatorisk
Perioder
P1 (6,0 hp)Varaktighet
Studietakt
50%
Undervisningsform
Normal Dagtid
Undervisningsspråk
Svenska
Studielokalisering
KTH Campus
Antal platser
Ingen platsbegränsning
Planerade schemamoduler
Kurs-PM
Kurs-PM är inte publiceratSchema
Länk till SchemaKursval
Gäller för kursomgång
HT 2024 Start 2024-08-26 programstuderande
Anmälningskod
52123
Kontakt
Gäller för kursomgång
HT 2024 Start 2024-08-26 programstuderande
Kontaktperson
Joakim Andén-Pantera (janden@kth.se)
Examinator
Ingen information tillagdKursansvarig
Ingen information tillagdLärare
Ingen information tillagdInnehåll och lärandemål
Kursinnehåll
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.
Kurslitteratur och förberedelser
Särskild behörighet
Slutförd grundkurs i sannolikhetsteori och statistik (SF1918, SF1922 eller motsvarande).
Rekommenderade förkunskaper
Utrustning
Kurslitteratur
Meddelas senast 4 veckor före kursstart på kursens hemsida.
Examination och slutförande
När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.
Betygsskala
Examination
- INL1 - Inlämningsuppgift, 2,0 hp, betygsskala: P, F
- TEN1 - Skriftlig tentamen, 4,0 hp, betygsskala: A, B, C, D, E, FX, F
Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.
Examinator får medge annan examinationsform vid omexamination av enstaka studenter.
Möjlighet till komplettering
Möjlighet till plussning
Examinator
Etiskt förhållningssätt
- Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
- Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
- Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.
Ytterligare information
Kursrum i Canvas
Ges av
Huvudområde
Utbildningsnivå
Påbyggnad
- SF2930 Regressionsanalys
- SF2935 Moderna metoder för statistisk inlärning
- SF2955 Datorintensiva metoder inom matematisk statistik
- SF2957 Statistisk maskininlärning