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 mv. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Relatere dele af kurset til den studerendes eget projekt
• Evaluere krydsvalidering og koncepter som overfitting
• Evaluere og anvende sparse regressions og klassifikations modeller
• Evaluere og anvende logistisk regression og support vector machines
• Evaluere og anvende klassifikations og regressions træer (CART)
• Evaluere og anvende random forests, boosting og ensemble metoder
• Evaluere og fortolke sparse latente modeller som sparse principal component analysis
• Evaluere og fortolke en række af ikke-superviserede dekompositions modeller
• Evaluere cluster modeller
• Sammenligne og vælge mellem metoderne ovenfor

Methods: Cross-validation, elastic net, sparse principal components, sparse discriminant analysis and Gaussian mixture analysis, logistic regression, support vector machine, classification and regression trees, random forests, clustering, nonnegative matrix factorization, independent component analysis, sparse coding, archetypical analysis. 14. maj, 2018