Bridging Statistics and Machine Learning: New Methodological Tools for Data Analysis

Aim

Efter avslutad kurs ska den studerande kunna:

• beskriva vanliga begrepp och metoder inom maskininlärning
• redogöra för kopplingen mellan klassisk statistik och maskininlärning
• identifiera, välja och använda algoritmer och metoder för att lösa maskininlärningsproblem
• använda statistisk programvara för att genomföra analyser
• utvärdera och kritiskt granska resultatet av utförda analyser

Content

I kursen behandlas hur maskininlärningsmetoder kan användas för att lösa problem där klassiska statistiska metoder inte är tillräckliga. Centrala begrepp inom maskininlärning och dess relation till klassisk statistik presenteras och kopplas till icke-linjära maskininlärningsmodeller, såsom trädmodeller, djupinlärning, splines och Gaussiska processer. I kursen diskuteras för- och nackdelar med olika maskininlärningsmetoder i relation till olika aspekter av statistisk analys såsom regularisering, automatisk inlärning, stora data, generalisering av resultat och gemensam inlärning via ensemblemetoder. Till sist behandlas tillämpning av metoder för analys av data samt tolkning av erhållna resultat i relation till olika problemformuleringar.