Maskininlärning med R, del 1, 7,5 hp

Innehåll

Kursen ger en lättillgänglig introduktion till maskininlärning. De grundläggande idéerna för och viktigaste koncepten inom maskininlärning kommer att introduceras. Fokus kommer att vara på linjära modeller och deras roll inom maskininlärning. Kursen kommer i huvudsak att behandla gaussisk diskriminantanalys och logistisk regression för klassificeringsproblem samt multipel regression för prediktion av kontinuerliga variabler. Målet är att studenterna utvecklar en medvetenhet om hur de använder data och modeller för att lösa problem. Dessutom kommer programmeringsspråket R och dess miljö (programvarusystem) att introduceras som en plattform för att implementera de olika metoderna.

Förväntade studieresultat

Kunskap och förståelse

Studenten ska kunna
1.    Förklara de grundläggande idéerna inom maskininlärning
2.    Förklara hur de linjära modellerna för maskininlärning som tas upp under kursen fungerar och vilka egenskaper de har
3.    Förklara överanpassningsproblemet inom maskininlärning

Färdigheter och förmåga

Studenten ska kunna
4.    Översätta konkreta problem till maskininlärningsproblem och därefter välja en lämplig metod och modell för att lösa dem
5.    Använda R för att implementera de metoder för träning, modellselektion och modellvalidering som tas upp under kursen  
6.    Hitta och ta till sig dokumentation och hjälpsidor för R för att skaffa sig kunskap om tillgängliga R-paket och för att kunna använda dem

Värderingsförmåga och förhållningssätt

Studenten ska kunna
7.    Välja, baserat på lämpliga kriterier för det aktuella problemet, den bästa modellen bland olika kandidatmodeller med hjälp av modellvalideringsmetoder

Behörighetskrav

7.5 hp i statistik med inslag av regressionsanalys. Engelska B/6.

Undervisningens upplägg

Lärandet stöds genom föreläsningar, lektioner, datorlaborationer och handledning.

Examination

Examinationen består av två delar: en skriftlig hemtentamen där R ska användas samt en efterföljande muntlig tentamen. På kursen ges betygen Underkänd (U), Godkänd (G), eller Väl Godkänd (VG). Betyget på kursen bestäms av en sammanvägd bedömning av de två delarna.

Studerande som godkänts på ett prov får inte undergå förnyat prov för att uppnå ett högre betyg. För studerande som ej blivit godkänd erbjuds ytterligare provtillfällen enligt ett fastställt schema.

Studerande som utan godkänt resultat har genomgått ordinarie prov samt ett omprov för en kurs eller del av en kurs, har vid nästa omprovstillfälle rätt att få en annan examinator eller rättande lärare utsedd, om inte särskilda skäl talar emot det. Begäran om byte av examinator eller rättande lärare handläggs av studierektor vid enheten för statistik.

Avsteg från kursplanens examinationsform kan göras för en student som har beslut om pedagogiskt stöd på grund av funktionsnedsättning. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Efter begäran av studenten ska kursansvarig lärare, i samråd med examinator, skyndsamt besluta om anpassad examinationsform. Beslutet ska sedan meddelas studenten.

I de fall en kursplan har upphört att gälla eller genomgått större förändringar garanteras studenterna minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt tidigare kursplan under en tid av maximalt två år från det att tidigare kursplan upphört att gälla eller kursen slutat erbjudas.

Tillgodoräknande
Tillgodoräknande sker enligt Umeå universitets tillgodoräknandeordning.

Övriga föreskrifter

Innehållet i denna kurs överlappar delvis innehållet i kurserna Introduktion till data science (3 hp) och Statistik C: Metoder för data science (10 hp) och kan därför inte tas med i en examen tillsammans med någon av dessa överlappande kurser.