At bibringe studenten viden om avancerede computer intensive metoder til dataanalyse med applikationer indenfor fx life sciences. Dette inkluderer problemer med mange variable og relativt få observationer, hyper-spektrale billeder mv. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Evaluere cluster metoder og vælge passende parametre og metoder for givne data
• Evaluere lineær diskriminant analyse og ridge regression
• Evaluere og anvende krydsvalidering, bootstrapping og koncepter som overfitting.
• Evaluere sparse regressions- og klassifikationsmodeller.
• Evaluere logistisk regression og support vector klassifikation for 2-klasse problemer
• Evaluere og fortolke Classification and Regression Trees (CART)
• Evaluere bagging, boosting og random forests for klassifikation og regression.
• Evaluere og fortolke sparse latente metoder som sparse principale komponenter og sparse partial least squares.
• Evaluere forskellige usuperviserede dekompositions metoder
• Sammenligne gennemgåede metoder

Methods: Clustering, ridge regression, elastic net, sparse principale komponenter, sparse diskriminant analyse og Gaussian mixture analyse, logistisk regression, support vector machine, classification and regression trees, begging, boosting, random forests, nonnegative matrix factorization, independent component analysis, sparse coding, archetypical analysis.
Case studies: multispektrale billeder, mm. 23. maj, 2017