Statistisk læring og Beregningsorientert statistikk
Statistisk læring og maskinlæring kombinerer teori og praksis innen statistikk, informatikk og optimering. Metodene lærer fra observerte data, finner underliggende mønstrene, predikerer og løser problemer med prediksjonsusikkerhet. Høydimensjonal integrasjon utgjør kjernen av mange estimeringsproblemer i Statistisk læring. Effektive beregningsalgoritmer gjør oss i stand til å anvende mer realistiske og interessante statistiske modeller.
Hovedinnhold
Informatikk slås sammen i statistisk læring med fokus på datainnsamling, gjenfinning, og rapportering. Ulik programvare, inkludert R, Phyton og Matlab, er praktiske verktøy som brukes. Læringsproblemene kan i hovedsak kategoriseres som enten «supervised» eller «unsupervised». Målet med supervised-læring er å forutsi verdien av en output-variabel ut fra en rekke input-variabler, og å minimere prediksjonsfeil. Målet med unsupervised-læring er å beskrive assosiasjoner og mønstre blant et sett variabler. Statistisk maskinlæring inkluderer regresjon, klassifisering, tetthetsestimering, hovedkomponentanalyse, sparsom læring, nevrale nettverk, boosting og Bayesian inferens.
Medlemmer av statistikkgrupper er aktive i forskning av metodemodifikasjon i statistisk læring. Forskningstemaer inkludert sparse Bayesian learning, Boosting og effektive beregningsalgoritmer.
Vi tilbyr også kurs i Statistisk Læring. Vil få mer informasjon for kurset, kan gjerne ta kontakt med Yushu Li.
