Maskininlärning för samhällsvetenskap

Mål

Efter avslutad kurs ska den studerande på avancerad nivå kunna:

• använda begrepp och metoder inom maskininlärning för att formulera och lösa praktiska problem av relevans för samhällsvetenskaplig forskning
• använda statistisk programvara för att estimera maskininlärningsmodeller, utvärdera deras anpassningsgrad, välja deras parametrar och tolka deras resultat
• beskriva olika maskininlärningsmetoders styrkor och svagheter
• redogöra för vilka maskininlärningsmodeller som är lämpliga för särskilda tillämpningar
• jämföra maskininlärningsverktyg med traditionella statistiska metoder, identifiera problem som bäst lämpar sig för maskininlärning och problem där de två kan komplettera varandra

Innehåll

I kursen ges en översikt över de viktigaste begreppen och metoderna inom maskininlärning (ML) som är relevanta för samhällsvetenskaplig forskning. Först ges en allmän introduktion till ML, där grundläggande idéer granskas och kontrasteras mot traditionell statistik. Sedan introduceras centrala tekniker inom övervakad inlärning (t.ex. beslutsträd) och oövervakad inlärning (t.ex. k-means). I datorlaborationer lär sig studenterna hur man använder dessa tekniker i statistisk programvara för att lösa praktiska problem av relevans för samhällsvetenskaplig forskning. I kursen behandlas även hur maskininlärning kan bidra till kausal inferens.