Statistisk analyse

Emnet vil gjøre studentene i stand til å benytte sentrale statistiske metoder og modeller innen moderne kvantitativ analyse og gir en introduksjon til statistisk tenkning. Studentene lærer hvordan ulike regresjonsmodeller brukes for å forstå sammenhenger i data og å utføre slike analyser i Python. I tillegg vil studentene få innsikt i metoder for å analysere og forklare "svart-boks"-prediksjonsmodeller, også kalt forklarbar kunstig intelligens (XAI på engelsk).

Undervisningsspråk: norsk

Emnet bygger på DAPE2000 Matematikk 2000 med statistikk.

Ingen

Etter å ha gjennomført dette emnet har studenten følgende læringsutbytte, definert i kunnskap, ferdigheter og generell kompetanse.

Kunnskap

Studenten kan:

• forstå grunnleggende begreper innen regresjonsanalyser som forklaringsvariabler, responsvariabel, forklart varians, prediksjonsintervall og minste kvadraters metode
• kjenne til maximum likelihood-estimering, likelihood ratio-test, bootstrapping og generaliserte lineære modeller
• forklare hvordan maskinlæringsmetoder trenes, valideres og evalueres
• gjøre rede for forskjellen på lokale og globale forklaringer, og hvordan partial dependence-plot, accumulated local effects-plot, Friedmans H-observator og surrogatmodell fungerer

Ferdigheter

Studenten kan:

• bruke lineær og logistisk regresjon til å studere sammenhengen mellom en eller flere forklaringsvariabler og en responsvariabel
• tilpasse en egnet regresjonsmodell ved å studere modellens residualer og om nødvendig forsøke ulike variabeltransformasjoner og variabelseleksjon
• sette opp og utføre hypotesetester og regne ut konfidensintervaller for parametre i en regresjonsmodell
• identifisere de viktigste prediktorene og interaksjonene i en modell ved bruk av forklarbar kunstig intelligens (XAI)
• skrive kildekode for å gjennomføre utregningene for regresjonsanalyser og XAI i Python

Generell kompetanse

Studenten kan:

• benytte statistiske tenkemåter på reelle problemstillinger og formidle disse skriftlig og muntlig
• løse reelle problemstillinger ved bruk av regresjonsanalyse, maskinlæring og XAI
• identifisere metodenes begrensninger og vurdere likheter og forskjeller med metoder fra matematisk modellering, numerikk og maskinlæring

Forelesninger og individuelle øvinger. Øvingstimene vil bestå av både oppgaveregning og programmering.

Følgende arbeidskrav er obligatorisk og må være godkjent for å fremstille seg til eksamen:

Tre obligatoriske innleveringer hvor minst to må være godkjent. Arbeidet gjøres i grupper på 1-4 medlemmer.

Individuell skriftlig eksamen under tilsyn på 3 timer.

Eksamensresultat kan påklages.

Ved ny eller utsatt eksamen kan en annen eksamensform bli benyttet. Hvis muntlig eksamen benyttes kan denne ikke påklages.

Alle trykte og skrevne hjelpemidler tillatt.

Håndholdt kalkulator som ikke kommuniserer trådløst og som ikke kan regne symbolsk. Dersom kalkulatoren har mulighet for lagring i internminnet skal minnet være slettet før eksamen. Stikkprøver kan foretas.

Gradert skala A-F.

En intern sensor. Ekstern sensor brukes jevnlig.

Kristoffer H. Hellton