ST504: Prediktion og klassifikation (5 ECTS)

STADS: 25000401

Niveau
Bachelorkursus

Undervisningsperiode
Kurset er placeret i forårssemesteret.
3. kvartal.

Ansvarlige undervisere
Email: yuri.goegebeur@stat.sdu.dk

Skemaoplysninger
Vis hele skemaet
Vis personligt skema for dette kursus.

Kommentar:
Ubegrænset deltagerantal. 3. kvartal.

Indgangskrav:
Ingen

Faglige forudsætninger:
Et af kurserne ST502 Statistisk Modellering eller ST513 Anvendt Statistik anbefales.

Kursusintroduktion
At få bekendtskab til de grundlæggende problemstilinger og metoder til at konstruere og anvende prediktorer og klassifikatorer. Deltagerne vil lære at implementere og evaluere metoderne i den statistiske programpakke R.

Kompetencer
Deltagerne vil i kurset opnå kompetencer i
• at forstå hvornår en videnskablig eller praktisk problemstilling er et prediktions- eller klassifikationsproblem,
• at anvende den klassiske regressionsmodel til at foretage prediktioner,
• at anvende den logistiske regressionsmodel til at lave klassifkationer,
• at vurdere kvaliteten af en given prediktion eller klassifkation,
• at vurdere kvaliteten af en prediktor eller klassifikator,
• at vurdere kvaliteten af metoder til at konstruere prediktorer og klassifikatorer,
• at konstruere effektive prediktorer og klassifikatorer,
• at forholde sig til n >> p problematikken.

Forventet læringsudbytte
Deltagerne vil i kurset opnå kompetencer i:

• at forstå hvornår en videnskabelig eller praktisk problemstilling er et prediktions- eller klassifikationsproblem
• at anvende den klassiske regressionsmodel til at foretage prediktioner
• at anvende den logistiske regressionsmodel til at lave klassifkationer
• at vurdere kvaliteten af en given prediktion eller klassifkation
• at vurdere kvaliteten af en prediktor eller klassifikator
• at vurdere kvaliteten af metoder til at konstruere prediktorer og klassifikatorer
• at konstruere effektive prediktorer og klassifikatorer
• at anvende moderne metoder inden for prediktion og klassifikation, som f.eks. neurale netværk og CART
• at forholde sig til n >> p problematikken

Emneoversigt
Prediktion baseret på den klassiske regressionsmodel, prediktionsfejl, logistisk regression, sensitivitet og specifitet, ROC kurver, krydsvalidering, Akaike’s kriterium, variabelselektion, neurale netværk, regularisering, ridge regression, CART, R-square mål, partial least squares, klassifikation baseret på microarray- og proteomdata.

Litteratur

Meddeles ved kursets start.

Pensum
Se pensumbeskrivelse.

Kursets hjemmeside
Dette kursus benytter e-learn (blackboard).

Forudsætningsprøver
Ingen

Eksamen- og censurform:
Der stilles i løbet af kurset 2 projektopgaver, som evalueres samlet ved en individuel mundtlig eksamen ved kursets afslutning. Karakter: bestået/ikke bestået. Intern censur. Projektopgaverne kan afleveres i grupper med max. 3 personer.

Reeksamen efter 4. kvartal.

Vejledende timetal
På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.

Forelæsninger (28 timer), eksaminatorier (12 timer), laboratorieøvelser (7 timer).
Aktiviteter i studiefasen

Sprog
Dette kursus undervises på engelsk, hvis der deltager internationale studerende, ellers undervises på dansk.

Kursustilmelding
Se tilmeldingsfrister.

Pris for åben uddannelse
Se priser for enkeltkurser.

Denne kursusbeskrivelse var gyldig fra 1. februar 2007 til 1. februar 2011.