732A80 · 6 hp · Avancerad nivå (A1F) · Statistik
Tidsserier och sekvensinlärning
Ges · nästa start HT 2026
63 %
klarade senaste ordinarie tillfället
DAT1 · 27 okt 2025 · 19 studenter
80 %
klarade de ordinarie tillfällena, alla tillfällen de senaste 5 åren
DAT1 · 114 studenter
Ovanligt svår 2025/26
63 % klarade ordinarie tentan läsåret 2025/26 (19 studenter), mot 82 % i snitt åren innan (95 studenter).
Övrigt moment
DAT1 Tentamen
- A
- B
- C
- D
- E
- F
Ordinarie tillfällen
80 % godkända · 114 studenter
- 63 %19
- 72 %18
- 97 %30
- 91 %22
- 68 %25
Senare tillfällen
73 % godkända · 44 studenter
- 100 %7
- 38 %8
- 67 %6
- 83 %6
- 83 %12
- 60 %5
- Klarar ett senare tillfälle: 73 % (44 studenter), jämfört med 80 % (114 studenter) på ordinarie
- Får B eller A: 27 % (158 studenter)
Visa små tillfällen (3)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 75 %4
- 100 %1
- 100 %4
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Inlämning eller laboration
LAB1 Laboration
- P
Ordinarie tillfällen
100 % godkända · 107 studenter
- 100 %25
- 100 %16
- 100 %38
- 100 %28
Senare tillfällen
100 % godkända · 24 studenter
- 100 %5
- 100 %10
- 100 %9
- Klarar ett senare tillfälle: 100 % (24 studenter), jämfört med 100 % (107 studenter) på ordinarie
Visa små tillfällen (6)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %2
- 100 %3
- 100 %2
- 100 %3
- 100 %1
- 100 %1
Om kursen
Mål
Efter avslutad kurs ska den studerande på en avancerad nivå kunna:
- tillämpa metoder för analys av sekventiell data
- redogöra för principer för urval, skattning och validering av sekventiella modeller
- använda statistisk och numerisk mjukvara för att anpassa tidsseriemodeller
- beräkna och analysera inferens om tidsseriekomponenter, prognoser och prognosernas statistiska osäkerhet
- utvärdera generaliseringsförmåga av statistiska samband för att göra prognoser
Innehåll
I kursen behandlas aktuella metoder som behövs för ett professionellt arbete där sekventiella data undersöks, modifieras, modelleras och utvärderas. I kursen ingår:
- Linjära autoregressiva modeller
- Icke-linjära autoregressiva modeller, inklusive temporala faltningsnätverk
- Tillståndsmodeller, Kalmanfiltrering och glättning
- Icke-linjära tillståndsmodeller och sekventiella Monte Carlo-metoder
- Återkopplade neurala nätverk
- Modellskattning, modellvalidering och prediktion
- Examinator
- Zheng Zhao
- Huvudområde
- Statistik