Tidsserier och sekvensinlärning, 6 hp

Time Series and Sequence Learning, 6 credits

732A80

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Kurstyp

Fristående- och programkurs

Examinator

Fredrik Lindsten

Kursansvarig

Fredrik Lindsten

Studierektor eller motsvarande

Jolanta Pielaszkiewicz

Tillgänglig för utbytesstudenter

Ja
VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Veckor Språk Ort/Campus VOF
Fristående kurs (Halvfart, Dagtid) HT 2020 202036-202044 Engelska Linköping, Valla
F7MSL Statistics and Machine Learning, Master´s Programme 3 (HT 2020) 202036-202044 Svenska Linköping, Valla V

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1N

Kursen ges för

  • Masters Programme in Statistics and Machine Learning

Förkunskapskrav

  • Kandidatexamen om 180hp (eller motsvarande) inklusive självständigt arbete 15hp på fördjupningsnivå inom något av följande ämnen:
    • statistik
    • matematik
    • tillämpad matematik
    • datavetenskap
    • teknik 
  • Godkända kurser i:
    • kalkyl
    • linjär algebra
    • statistik
    • programmering
  • Engelska 6/B
    (Undantag för svenska)

Lärandemål

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

Kursinnehåll

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

Undervisnings- och arbetsformer

Undervisningen består av föreläsningar, lektioner och datorövningar. Utöver detta ska den studerande utöva självstudier.

Examinations- och undervisningsspråk: engelska

Examination

Examination sker genom:

  • skriftlig redovisning av laborationsuppgifter, betygsskala: EC
  • individuell skriftlig tentamen, betygsskala: EC

För godkänt slutbetyg krävs betyg Pass på laborationsdelen samt minst E på den individuella skriftliga tentamen. Slutbetyget grundas på betyget i den individuella skriftliga tentamen.

Detaljerad information återfinns i studieanvisningen.

Om det finns särskilda skäl, om det med hänsyn till det obligatoriska momentets karaktär är möjligt, får examinator besluta att ersätta det obligatoriska momentet med en annan likvärdig uppgift.
 

Om LiU:s koordinator för studenter med funktionsnedsättning har beviljat en student rätt till anpassad examination vid salstentamen har studenten rätt till det. Om koordinatorn istället har gett studenten en rekommendation om anpassad examination eller alternativ examinationsform, får examinator besluta om detta om examinator bedömer det möjligt utifrån kursens mål.

Studerande, vars examination underkänts två gånger på kursen eller del av kursen, har rätt att begära en annan examinator vid förnyat examinationstillfälle.

Den som godkänts i prov får ej delta i förnyat prov för högre betyg.

Betygsskala

ECTS, EC

Övrig information

Planering och genomförande av kurs ska utgå från kursplanens formuleringar. Den kursvärdering som ska ingå i varje kurs ska därför behandla frågan om hur kursen överensstämmer med kursplanen.

Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.

Institution

Institutionen för datavetenskap
Kod Benämning Omfattning Betygsskala
TEN1 Tentamen 3 hp EC
LAB1 Laboration 3 hp EC
Det finns ingen kurslitteratur tillgänglig på studieinfo för den här kursen.

Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.

Det finns inga filer att visa.