Matematiska institutionen

Kursplan för Datorintensiv statistik och informationsutvinning

Computer-Intensive Statistics and Data Mining

Kursplan

  • 10 högskolepoäng
  • Kurskod: 1MS009
  • Utbildningsnivå: Avancerad nivå
  • Huvudområd(en) och successiv fördjupning: Matematik A1N
  • Betygsskala: Underkänd (U), 3, 4, 5.
  • Inrättad: 2007-03-15
  • Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Reviderad: 2016-04-22
  • Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: vecka 30, 2016
  • Behörighet: 120 hp med Regressionsanalys eller motsvarande.
  • Ansvarig institution: Matematiska institutionen

Mål

För godkänt betyg på kursen skall studenten kunna

  • redogöra för den teoretiska grunden för Markov Chain Monte Carlo-metoder och använda sådana tekniker för valda statistiska problem;
  • redogöra för principerna för slumptalsgeneratorer;
  • använda simuleringsmetoder som Bootstrap och SIMEX;
  • använda EM-metoder;
  • självständigt använda icke-parametriska statistiska modeller;
  • använda statistisk programvara, företrädesvis R.

Innehåll

Syftet med kursen är att studenterna ska få en god överblick och kunskap om ett flertal statistiska tekniker som utvecklats de senaste åren i takt med att datorernas kapacitet ökat. Återsamplingsmetodik, Jack-knife, bootstrap. EM-algoritmen, SIMEX-metodik. Markov Chain Monte Carlo. Slumptalsgeneratorer. Smoothing-tekniker. Kernelskattningar, närmaste granne-skattningar, ortogonala och lokala polynomiella skattningar, wavelet-skattning. Splines. Val av bandbredd och andra parametrar. Tillämpningar och användning av statistisk programvara.

Undervisning

Föreläsningar, räkneövningar och datorlaborationer.

Examination

Kursen examineras genom ett skriftligt prov (8 hp) vid kursens slut samt genom inlämningsuppgifter (2 hp) under kursen enligt anvisningar som lämnas vid kursens start.

Litteratur

Gäller från: vecka 31, 2016

  • Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome The elements of statistical learning : data mining, inference, and prediction

    2. ed.: New York: Springer, 2009

    Se bibliotekets söktjänst