Tidsserier och sekvensinlärning, 6 hp
Time Series and Sequence Learning, 6 credits
732A80
Huvudområde
StatistikUtbildningsnivå
Avancerad nivåKurstyp
Fristående- och programkursExaminator
Johan AlenlövKursansvarig
Johan AlenlövStudierektor eller motsvarande
Jolanta PielaszkiewiczTillgänglig för utbytesstudenter
JaKontaktinformation
Isak Hietala
Kostas Mitropoulos, international coordinator
Kursen ges för | Termin | Veckor | Block | Språk | Ort/Campus | VOF | |
---|---|---|---|---|---|---|---|
Fristående kurs (Halvfart, Dagtid) | HT 2022 | 202235-202243 | 2 | Engelska | Linköping, Valla | ||
Fristående kurs (Halvfart, Dagtid) | HT 2022 | 202235-202243 | 2 | Engelska | Linköping, Valla | ||
F7MSL | Statistics and Machine Learning, Master´s Programme - First and main admission round | 3 (HT 2022) | 202235-202243 | 2 | Engelska | Linköping, US | V |
F7MSL | Statistics and Machine Learning, Master´s Programme - Second admission round (open only for Swedish/EU students) | 3 (HT 2022) | 202235-202243 | 2 | Engelska | Linköping, US | V |
Huvudområde
StatistikUtbildningsnivå
Avancerad nivåFördjupningsnivå
A1NKursen ges för
- Master's Programme in Statistics and Machine Learning
Förkunskapskrav
- 180 hp avslutade kurser varav 90 hp inom något av följande ämnen:
- statistik
- matematik
- tillämpad matematik
- datavetenskap
- teknik
- Godkända kurser i:
- matematisk analys
- linjär algebra
- statistik
- programmering
- Engelska 6
Undantag ges 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, och 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 har gett studenten en rekommendation om anpassad examination eller alternativ examinationsform, får examinator besluta om detta om examinator bedömer det möjligt utifrån kursens mål.
Examinator får också besluta om anpassad examination eller alternativ examinationsform om examinator bedömer att det finns synnerliga skäl och 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, ECÖvrig 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.
Om det föreligger synnerliga skäl får rektor i särskilt beslut ange förutsättningarna för, och delegera rätten att besluta om, tillfälliga avsteg från denna kursplan.
Institution
Institutionen för datavetenskapKod | Benämning | Omfattning | Betygsskala |
---|---|---|---|
LAB1 | Laboration | 3 hp | EC |
DAT1 | Tentamen | 3 hp | EC |
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.