Statistisk inferens och maskininlärning
Kurs, Grundnivå, 2ST126
Fäll ut informationen nedan för att läsa mer om anmälan och behörighet.
Hösten 2026 Hösten 2026, Uppsala, 50 %, Campus, Svenska
- Studieort
- Uppsala
- Studietakt
- 50 %
- Undervisningsform
- Campus
- Undervisningstid
- Dag
- Studieperiod
- 31 augusti 2026–3 november 2026
- Undervisningsspråk
- Svenska
- Behörighet
-
45 hp statistik
- Urval
-
Betyg (40 %) - Högskoleprov (10 %) - Högskolepoäng, max 165 hp (50 %)
- Avgifter
-
Du som inte är medborgare i ett EU-/EES-land eller Schweiz måste i regel betala anmälnings- och studieavgift.
- Studieavgift, första inbetalningen: 12 375 kr
- Studieavgift, totalt: 12 375 kr
- Sista anmälningsdag
- 15 april 2026
- Anmälningskod
- UU-26611
För dig som är antagen eller reserv
- Registreringsperiod
- 23 juli 2026–23 augusti 2026
- Institutionens information om registrering
Fäll ut informationen nedan för att läsa mer om anmälan och behörighet.
Våren 2027 Våren 2027, Uppsala, 50 %, Campus, Svenska
- Studieort
- Uppsala
- Studietakt
- 50 %
- Undervisningsform
- Campus
- Undervisningstid
- Dag
- Studieperiod
- 18 januari 2027–24 mars 2027
- Undervisningsspråk
- Svenska
- Behörighet
-
45 hp statistik
- Urval
-
Betyg (40 %) - Högskoleprov (10 %) - Högskolepoäng, max 165 hp (50 %)
- Avgifter
-
Du som inte är medborgare i ett EU-/EES-land eller Schweiz måste i regel betala anmälnings- och studieavgift.
- Studieavgift, första inbetalningen: 12 375 kr
- Studieavgift, totalt: 12 375 kr
- Sista anmälningsdag
- 15 oktober 2026
- Anmälningskod
- UU-76611
För dig som är antagen eller reserv
- Registreringsperiod
- 21 december 2026–11 januari 2027
- Institutionens information om registrering
Om kursen
Kursen ger en fördjupad kunskap om teorin som ligger till grunden för statistisk inferens samt utgör en introduktion till grundläggande koncept inom maskininlärning.
Kursen behandlar likelihood-baserade metoder, asymptotisk teori, Bayesiansk statistik, Markov Chain Monte Carlo algoritmer, regulariserad regression, supportvektormaskiner, trädbaserade metoder, neuronnät, tränings-, validerings- och testdata, korsvalidering och optimering via gradientbaserade metoder. Samtliga metoder studeras både teoretiskt och praktiskt genom löpande övningstillfällen med fokus på både teori samt tillämpningar i R och inlämningsuppgifter med möjligheter till schemalagd handledning.