Statistik: Magisterkurs - Statistiska metoder för data science (kurspaket)

Kurspaketets innehåll

Kurspaketet består av följande kurser:

STAN48 Statistics: Programming for Data Science, 7.5 hp

I den här kursen får du lära dig modern statistisk datoranvändning inom data science genom implementeringar i populära programspråk såsom R och Python. Du kommer att lära dig R- och Python-miljöerna och att använda deras paket och moduler för statistik och att arbeta med data frames, arrays och matriser. Du kommer också att få lära dig metoder för slumptalsgenerering, Monte Carlo-metoder samt bootstrap och återsamplingsmetoder. Dessutom kommer kursen att behandla bayesiansk databehandling och Markov Chain Monte Carlo-metoder. Optimering och andra numeriska metoder ingår också.

STAN51 Statistics: Machine Learning from a Regression Perspective, 7.5 hp

I den här kursen lär du dig grunderna i maskininlärning och genom att fokusera på de metoder som på ett eller annat sätt bygger på vanlig regressionsanalys. Några av delmomenten i kursen är klassificering med hjälp av logistisk regression, modellval genom informationskriterium och korsvalidering, krympningsmetoder såsom lasso och ridgeregression, dimensionsreduceringsmetoder såsom PCA och partiell regression, och neuronnät. Teoristudier varvas med empiriska tillämpningar.

STAN52 Statistics: Advanced Machine Learning, 7.5 hp

Kursen utgör en fortsättning på STAN51 Maskininlärning ur ett regressionsperspektiv och du kommer att fördjupa dina kunskaper i maskininlärningsmetoder. Några av delmomenten i kursen är bootstrapmetoder, ensemblemetoder såsom boosting och slumpskogar, metoder för oövervakad inlärning såsom PCA och klustermetoder, samt tillämpningar av maskininlärningsmetoder, såsom kausal- och textanalys. Du kommer att få varva teoristudier med empiriska tillämpningar.

STAN53 Statistics: High-dimensional Data Analysis, 7.5 hp

Det centrala temat för kursen är multivariata och högdimensionella data. Statistiska metoder som tas upp inkluderar både klassiska multivariata metoder såsom principalkomponentanalys, faktoranalys, diskriminantanalys, och klusteranalys, och moderna högdimensionella metoder som bygger t.ex. penalisation, funktionalanalys och metoder för glesa matriser. Kursen inleds med en introduktion till matriser och den multivariata normalfördelningen.

STAN47 Statistics: Deep Learning and AI Methods, 7.5 hp

Kursen ger en tillämpningsfokuserad och praktisk metod för att lära sig artificiella neuronnät och reinforcement learning. Den kan ses som en första introduktion till djupinlärning och presenterar ett brett spektrum av det senaste inom konnektionistiska modeller. Kursen behandlar de populäraste algoritmerna och arkitekturerna på ett enkelt och intuitivt sätt. Du kommer att få lära dig grunderna för maskininlärning samt de matematiska och beräkningsmässiga förkunskaperna för deep learning. Kursern behandlar feed-forward artificiella neuronnät, convolutional artificiella neuronnät och de återkommande kopplingarna till feed-forward artificiella neuronnät.

STAN49 Statistics: Analysis of Textual Data, 7.5 hp

Kursen ger en introduktion till statistisk analys av text. Du kommer att studera både metoder som bygger på både klassiska statistiska ansatser (inklusive Bayesianska modeller) och moderna ansatser som djupinlärning och recurrent neural networks. Ämnen som behandlas är bl.a. textrepresentation, textklassificering, klusteranalys av textdata, ämnesmodellering, attitydanalys och textsammanfattning.

STAN40 Statistics: Thesis, 15 hp

Uppsatskurs där du skriver en magisteruppsats.

Efter kurserna

Efter kurserna står du väl rustad för en karriär som statistiker, data scientist eller analytiker.

Om du är godkänd på alla kurserna, och i övrigt uppfyller villkoren för examen, kan du ansöka om en Magisterexamen i statistik.