Statistisk inlärning med högdimensionella data

Antagningspoäng hösten 2026

Eget urval. Den här utbildningen antar inte på meritvärde eller högskoleprov, så det finns ingen poänggräns.

Lägsta antagna i senaste antagningen (hösten 2026) enligt UHR. Ingen garanti för nästa antagning.

Om utbildningen

Denna kurs ger både vad gäller djup och bredd, omfattande kunskap i "data science" och statistisk inlärning. I kursen diskuteras både traditionella och toppmoderna metoder och algoritmer inom områdena. De relaterade grundläggande teorierna behandlas också. Efter godkänd kurs förväntas studenterna ha stark förmåga att lösa problem med hjälp av data. Dessutom förväntas de ha en stark självstudieförmåga för att förstå och lära sig nyutvecklade metoder och algoritmer. Modul 1 (3 hp): Teori. Kursen omfattar tre familjer av tillvägagångssätt för dimensionalitetsreduktion: spektralbaserad inlärning (multidimensionell skalning, isomap, kernel PCA, etc.), mångfaldig inlärning (lokalt linjär inbäddning, Hessian eigen-mapping, t-fördelad stokastisk granninbäddning, etc.), och metoder baserade på djupa neurala nätverk (autoencoders, variational autoencoder, etc.). Som specialfall av dimensionalitetsreduktion diskuteras också olika metoder för val av egenskaper, såsom ridge-regression, LASSO och feature importance. Övervakade inlärningsmetoder inklusive de kärnbaserade metoderna (Kernel ridge regression, support vector machine, etc.), ensemble-metoder (random forest och adaboost), neurala nätverk och olika djupinlärningsmetoder och arkitekturer diskuteras. Dessutom ingår oövervakade inlärningsmetoder inklusive olika klustringsanalysalgoritmer, såsom densitetsbaserade metoder och spektral klusteranalys. Djupinlärningsbaserade oövervakade inlärningsmetoder, såsom generativa kontradiktoriska nätverk och dess variationer innefattas också. Slutligen diskuteras grundläggande matematiska teorier för kärnmetoder, ensemblemetoder, ansatser med straff, grunda nätverk, algoritmer för sluttande gradient, universella estimatorer och fundamentala inlärningssatsen etc. Modul 2 (4.5 hp) Datorlaborationer. I modulen ingår analys av flera datamaterial med hjälp av de i kursen ingående statistiska metoderna. Analyserna utförs i något av programspråken R eller Python. I modulen ingår omfattande skriftliga redogörelser för analyserna och deras resultat.

Behörighet

För tillträde till kursen krävs 90 hp inkluderande 7,5 hp programmeringsmetodik, 7,5 hp Multivariat dataanalys och 12 hp matematisk statistik eller motsvarande kunskaper. Engelska och svenska för grundläggande behörighet för högskolestudier.

Praktiskt

Start

2 november 2026

Slut

17 januari 2027

Språk

Engelska

Studietakt

50 %

Studieform

På plats i Umeå

Studieavgift

19 038 kr (gäller bara sökande utanför EU/EES)

Anmälningskod

UMU-5800M

Vanliga frågor

Vad krävs för att komma in på Statistisk inlärning med högdimensionella data vid Umeå universitet?

Utbildningen har ingen poänggräns (eget urval) – den antar inte på meritvärde eller högskoleprov. Du måste också uppfylla behörighetskraven.

Hur lång är utbildningen?

7,5 hp, studietakt 50 %.

Går den på distans?

Nej, den ges på plats i Umeå.

Vad betyder BI och HP?

BI är betyg utan komplettering och HP är högskoleprovet. Läs guiden.

Överblick

• Alla program och kurser vid Umeå universitet
• Alla kurser i Matematisk statistik