Dataanalys: statistisk inlärning och visualisering med projekt
Data Analysis: Statistical Learning and Visualization with Project

FMSF90F, 7.5 högskolepoäng

Gäller från och med: Vårterminen 2025
Beslutad av: Maria Sandsten
Datum för fastställande: 2022-10-28

Allmänna uppgifter

Avdelning: Matematisk statistik (LTH)
Kurstyp: Gemensam kurs, avancerad nivå och forskarnivå
Kursen ges även på avancerad nivå med kurskod: FMSF90
Undervisningsspråk: Engelska

Syfte

Kursen inleds med en överblick av grundläggande datahantering och visualisering, med fokus på att kunna identifiera och illustrera olika egenskaper och särdrag hos data. Därefter presenteras viktiga metoderna inom modern statistisk inlärning. Stor vikt läggs vid övervakad och oövervakad inlärning. Problem med att anpassa och utvärdera flera olika modeller och metodernas relation till linjär regression diskuteras. Datorbaserade laborationer och projekt utgör en viktig lärandeaktivitet. Kursen avslutas med ett projekt där studenterna ska välja lämpliga metoder för att analysera ett givet data material.

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden

• Beskriva olika sätt att aggregera, sammanfatta och visualisera data.
• Förklara principerna för några olika typer övervakad och oövervakad inlärning.
• Förklara vikten av att utvärdera modeller baserat på deras prediktionsförmåga.

Färdighet och förmåga

För godkänd kurs skall doktoranden

• kunna hantera, presentera och visualisera data för att belysa viktiga egenskaper och kännetecken i ett komplext datamaterial.
• kunna använda vanliga metoder för övervakad inlärning och oövervakad inlärning
• kunna dra slutsatser om data baserat på resultaten från metoder för klassificering och regressionsproblem.
• kunna använda vanliga metoder för utvärdering av prediktionsförmåga på ny data.
• redovisa analys av och slutsatser från ett praktiskt problem i en skriftlig rapport.

Värderingsförmåga och förhållningssätt

För godkänd kurs skall doktoranden

• Reflektera över den valda modellens och metodens begränsningar samt möjliga alternativa lösningsmetoder.
• Reflektera över eventuella problem med att anpassa flera olika modeller till samma datamaterial.

Kursinnehåll

* Grundläggande datahantering och vanliga visualiseringsmetoder för data. * Metoder för oövervakad och övervakad inlärning så som: klustring; hierarkisk klustring; samt regressions- och beslutsträdsmetoder för klassificering och regressionsproblem. * Metoder för modellval och modellvalidering så som: bootstrap, uppdelning av data i träning och test, samt korsvalidering

Kurslitteratur

James, G., Witten, D., Hastie, T. & Tibshirani, R.: An Introduction to Statistical Learning: with Applications in R. Springer, 2021. ISBN 9781071614174.

Kursens undervisningsformer

Undervisningsformer: Föreläsningar, laborationer, projekt

Kursens examination

Examinationsformer: Muntlig tentamen, skriftlig rapport. Godkänt på samtliga laborationsrapporter, godkänt på slutrapport och muntlig redovisning av slutprojekt.
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

Förkunskapskrav: Grundläggande statistik
Förutsatta förkunskaper: Grundläggande statistik, viss programmeringsvana

Övrig information

Samläses med FMSF90.

Kurstillfällesinformation

Kontaktinformation och övrigt

Kursansvariga:
Hemsida: https://www.maths.lu.se/utbildning/civilingenjoersutbildning/matematisk-statistik-paa-civilingenjoersprogram