732G57 · 7.5 credits · Basic level (G2F) · Statistik
Machine Learning for Statisticians
Active · next start HT 2026
73%
passed the latest regular sitting
DAT1 · 24 Oct 2025 · 15 students
73%
passed the regular sittings, all sittings over the last 5 years
DAT1 · 15 students
Part of 1 programme
Other module
DAT1 Examination
- VG
- G
- U
Main rounds
73% passed · 15 students
- 73%15
Later rounds
43% passed · 14 students
- 60%5
- 33%9
- Pass a later round: 43% (14 students), compared with 73% (15 students) on the ordinary exam
- Get VG: 17% (29 students)
Other modules
Partial exams, hand-ins and labs. They are not part of the figures at the top.
Hand-in or lab
UPG2 Assignment
- G
Main rounds
100% passed · 22 students
- 100%22
Later rounds
No sittings with at least 5 students.
Hand-in or lab
UPG1 Assignment
- G
Main rounds
100% passed · 20 students
- 100%20
Later rounds
No sittings with at least 5 students.
Show small sittings (1)
Sittings with fewer than 5 students, often credit transfers or special sittings. They are not part of any figure on this page.
- 100%2
About the course
Aim
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
Content
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
- Examiner
- Josef Wilzén
- Main field of study
- Statistik