[Forside] [Hovedområder] [Perioder] [Udannelser] [Alle kurser på en side]
Formålet med kurset er at introducere området statistical learning og sætte deltagerne i stand til at analysere større datasæt. Data, der anvendes i kurset, vil primært stamme fra neurovidenskab.
This course introduces topics in unsupervised and supervised learning. The course begins with a presentation of unsupervised learning techniques such as k-means cluster analysis and Gaussian mixtures. Within supervised learning, we plan to cover basic and advanced regression models for continuous and binary outcomes including additive models, projection pusuit and local regression. Nonparametric classifiers will also be introduced. We emphasize techniques for model training and assessment as well as variable selection. Examples of applications to neuroscience data are given.
Kurset introducerer emner i unsupervised og supervised learning. Kurset begynder med en præsentation af unsupervised learning teknikker såsom k-means cluster analyse og Gaussian mixtures. Indenfor supervised learning planlægger vi at dække simple og avancerede regressionsmodeller for kontinuerte og binære udfald, såsom additive modeller, projection pursuit og lokal regression. Ikke-parametriske modeller bliver også introduceret. Gennem kurset lægges vægt på teknikker til model training og evaluering, samt metoder for udvælgelse af variabler. Der gives eksempler på anvendelser af teknikkerne inden for neurovidenskab.
Kristjana Yr Jonsdottir and Kim Mouridsen.
3-4 timer forlæsning/øvelser hver uge.
.
Hastie, T., Tibshirani, R., Friedman, J.: The elements of statistical learning. Data mining, inference and prediction. Second Edition, Springer 2009.
Institut for Matematiske Fag.
Tilmelding på selvbetjeningen https://mit.au.dk fra d. 1.-15. november 2009. Eftertilmeldinger: Kontakt Oddbjørg Wethelund, oddbjorg@imf.au.dk
Ved kursets afslutning forventes den studerende inden for kursets
emneområde at kunne:
Take-home eksamen som bedømmes efter 7-trinsskalaen med intern censur.