KIUA1008 Anvendt regresjon
- Studiepoeng10
- Undervisningssemestre2025 Høst
- UndervisningsspråkNorsk/Engelsk
- UndervisningsstedHamar
- Forkunnskapskrav
Ingen.
Anvendt regresjon gir studentene en grunnleggende forståelse av regresjonsanalyse og dens praktiske anvendelser innen kunstig intelligens. Regresjonsanalyse er et kraftig statistisk verktøy som brukes til å utforske sammenhenger mellom variabler, lage spådommer og få verdifull innsikt fra data. Studentene skal få ferdigheter i dataforberedelse, modellvalg, tolkning og effektiv kommunikasjon av resultater. I tillegg gir emnet oppdatert informasjon på innovative regresjonsmetoder, som bidrar til utvikling av praktiske KI-løsninger og utveksling av beste praksis innen feltet.
Læringsutbytte
Ved bestått emne har studenten oppnådd følgende læringsutbytte:
Studenten har
- kunnskap om og en helhetlig forståelse av regresjonsanalyse, inkludert begreper, antakelser og teknikker involvert i enkel lineær regresjon og multippel lineær regresjon med evne til kunnskap om polynomregresjon, ikke-lineære modeller og regresjon med kategoriske prediktorer
- kunnskap om modellevalueringsteknikker, inkludert vurdering av modelltilpasning, godhetsmål (R-kvadrat, justert R-kvadrat), og diagnostiske prosedyrer for regresjonsmodeller
- kunnskap om anvendelser av regresjonsanalyse på ulike felt, som finans, markedsføring, helse og samfunnsvitenskap, med forståelse for hvordan regresjonsanalyse brukes til å løse problemer i den virkelige verden, samt gjøre faglige begrunnede slutninger og prediksjoner om utviklingen
Studenten kan
- bygge regresjonsmodeller, velge passende prediktorer, estimere regresjonskoeffisienter ved bruk av minste kvadraters metode, og vurdere modellforutsetninger for å implementere regresjonsmodeller ved bruk av statistisk programvare
- evaluere ytelsen til regresjonsmodeller og diagnostisere modellrelaterte problemer for å kunne vurdere modelltilpasning, identifisere individuelle datapunkter som har innvirkning på analysen eller prediksjonen
- analysere data og tolke regresjonsresultater og evne til å identifisere meningsfulle sammenhenger mellom variabler, lage prediksjoner og trekke innsikt fra regresjonsmodeller
Studenten kan
- bruke regresjonsanalyseteknikker
- utnytte datakompetanse og statistiske resonneringsevner for å analysere og tolke data, anvende statistiske teknikker i regresjonsanalyse og kritisk vurdere gyldigheten og påliteligheten til regresjonsmodeller
- ta etiske hensyn i dataanalyse, inkludert personvern, konfidensialitet og anerkjenne viktigheten av ansvarlig datahåndtering, objektiv modelleringspraksis og transparent rapportering av resultater
- gjennom samarbeide om dataanalyseoppgaver formidle funn og tolkninger til ulike interessenter og målgrupper
Emnet er gjennomført som en kombinasjon av forelesninger, praktiske øvelser, selvstudium og veiledning.
- 2 individuelle oppgaver i henhold til undervisningsplanen for emnet
- deltakelse i undervisning og lab-øvelser i henhold til undervisningsplanen for emnet
Obligatoriske arbeidskrav som er bestått er kun gyldig i 12 måneder. Studenter som ønsker å ta opp eksamener etter 12 måneder, må bestå de obligatoriske arbeidskravene på nytt ved neste ordinære gjennomføring av emnet.
- 1 individuell prosjektbasert oppgave
Oppgaven vurderes med graderte bokstavkarakterer fra A-F, der E er laveste ståkarakter.
Studenten kan velge hvilket språk som benyttes i egen gjennomføring av eksamen. Valg er bokmål, nynorsk eller engelsk.
Tillatte hjelpemidler
- Litteratur
- Alle trykte og skrevne ressurser
- Bruk av KI-generert tekst og innhold skal være avklart med faglærer, klart merket og akademisk begrunnet i besvarelsen
| Vurderingsordning | Karakterskala | Gruppe/individuell | Varighet | Hjelpemidler | Andel | Kommentar |
|---|---|---|---|---|---|---|
Oppgave | ECTS - A-F | Individuell | 100 |