{"componentChunkName":"component---src-templates-course-unit-page-tsx","path":"/en/courseunit/tilm3622/","result":{"data":{"translations":{"edges":[{"node":{"context":{"locale":"fi","code":"TILM3622","title":"Regressioanalyysi ja tilastollinen oppiminen"},"path":"/fi/opintojakso/tilm3622/"}},{"node":{"context":{"locale":"en","code":"TILM3622","title":"Advanced Regression Analysis and Statistical Learning"},"path":"/en/courseunit/tilm3622/"}}]},"SISU":{"courseUnit":[{"id":"otm-eadac8e1-cd14-39ed-8b43-b7c7f707699d","code":"TILM3622","name":{"en":"Advanced Regression Analysis and Statistical Learning","fi":"Regressioanalyysi ja tilastollinen oppiminen","sv":"Regressioanalyysi ja tilastollinen oppiminen"},"credits":{"max":6,"min":6},"studyLevel":null,"possibleAttainmentLanguages":[],"responsibleOrganisations":[],"coordinatingOrganisations":[],"curriculumPeriods":[],"cooperationNetworkDirection":"INBOUND","cooperationNetworks":[{"targetGroups":[{"activePhase":null,"educationIds":null,"educationTypes":null,"organisationIds":null,"educationGroupIds":null,"phase1OptionGroupIds":["jy-DP-21321","jy-DP-13215","otm-157daa3c-6f87-4d1d-86e2-5f2ed9872b58","jy-DP-13221","jy-DP-21280"],"phase2OptionGroupIds":null,"parentOrganisationIds":null,"learningOpportunityIds":null,"phase1OptionChildGroupIds":null,"phase2OptionChildGroupIds":null,"phase1EducationClassificationUrns":null,"phase2EducationClassificationUrns":null},{"activePhase":null,"educationIds":null,"educationTypes":null,"organisationIds":null,"educationGroupIds":null,"phase1OptionGroupIds":null,"phase2OptionGroupIds":["jy-DP-15471","jy-DP-13215"],"parentOrganisationIds":null,"learningOpportunityIds":null,"phase1OptionChildGroupIds":null,"phase2OptionChildGroupIds":null,"phase1EducationClassificationUrns":null,"phase2EducationClassificationUrns":null},{"activePhase":null,"educationIds":null,"educationTypes":null,"organisationIds":null,"educationGroupIds":null,"phase1OptionGroupIds":["otm-af81f116-e2c7-4ddd-a995-b5a3f769efd0"],"phase2OptionGroupIds":null,"parentOrganisationIds":null,"learningOpportunityIds":null,"phase1OptionChildGroupIds":["otm-7115fcfa-a836-4071-87dd-12907142ff6e"],"phase2OptionChildGroupIds":null,"phase1EducationClassificationUrns":null,"phase2EducationClassificationUrns":null},{"activePhase":null,"educationIds":null,"educationTypes":null,"organisationIds":null,"educationGroupIds":null,"phase1OptionGroupIds":["otm-d4ca8e88-2100-4732-9b27-613c74807e98"],"phase2OptionGroupIds":null,"parentOrganisationIds":null,"learningOpportunityIds":null,"phase1OptionChildGroupIds":["otm-56907236-443b-46cc-82cd-4f5f900be109"],"phase2OptionChildGroupIds":null,"phase1EducationClassificationUrns":null,"phase2EducationClassificationUrns":null},{"activePhase":null,"educationIds":null,"educationTypes":null,"organisationIds":null,"educationGroupIds":null,"phase1OptionGroupIds":["otm-141caed2-2906-4382-8115-8a32f8aea2d9"],"phase2OptionGroupIds":null,"parentOrganisationIds":null,"learningOpportunityIds":null,"phase1OptionChildGroupIds":["otm-a1152c89-5848-4824-b84c-d9b9366c8de3"],"phase2OptionChildGroupIds":null,"phase1EducationClassificationUrns":null,"phase2EducationClassificationUrns":null},{"activePhase":null,"educationIds":null,"educationTypes":null,"organisationIds":null,"educationGroupIds":null,"phase1OptionGroupIds":null,"phase2OptionGroupIds":["otm-141caed2-2906-4382-8115-8a32f8aea2d9"],"parentOrganisationIds":null,"learningOpportunityIds":null,"phase1OptionChildGroupIds":null,"phase2OptionChildGroupIds":["otm-a1152c89-5848-4824-b84c-d9b9366c8de3"],"phase1EducationClassificationUrns":null,"phase2EducationClassificationUrns":null}],"description":{"en":"<p>This course is offered through the Network for Advanced Studies in Mathematics. These studies are available for the following degree students:</p><ul><li>Bachelor's Degree Programme in Mathematics</li><li>Master's Degree Programme in Mathematics</li><li>Bachelor's Degree Programme in Mathematics (Subject Teacher)</li><li>Master's Degree Programme in Mathematics&nbsp;(Subject Teacher)</li><li>Bachelor's Degree Programme in Mathematics, Chemistry or Physics Subject Teacher Education and Primary Teacher Education (Specialication in Mathematics)</li><li>Master's Degree Programme in Mathematics, Chemistry or Physics Subject Teacher Education and Primary Teacher Education (Specialication in Mathematics)</li><li>Doctoral Programme in Mathematics and Statistics</li><li>Doctoral Programme in Mathematics and Science (Specialication in Mathematics)</li><br></ul>","fi":"<p>Tämä opintojakso on tarjolla Matematiikan syventävät opinnot -ristiinopiskeluverkostossa. Verkoston opinnot ovat tarjolla seuraaville opiskelijoille:</p><ul><li>Matematiikan kandidaattiohjelma</li><li>Matematiikan maisteriohjelma</li><li>Matematiikan aineenopettajien kandidaattiohjelma</li><li>Matematiikan aineenopettajien maisteriohjelma</li><li>Matematiikan, kemian tai fysiikan aineenopettajan ja luokanopettajan kandidaattiohjelma (matematiikan opintosuunta)</li><li>Matematiikan, kemian tai fysiikan aineenopettajan ja luokanopettajan maisteriiohjelma (matematiikan opintosuunta)</li><li>Matematiikan ja tilastotieteen tohtoriohjelma</li><li>Matemaattisten tieteiden ja luonnontieteiden tohtoriohjelma (matematiikan opintosuunta)</li><br></ul>"},"cooperationNetwork":{"abbreviation":"matematiikansyventavat","name":{"en":"Cross-institutional studies in advanced courses in mathematics and statistics","fi":"Matematiikan ja tilastotieteen syventävien kurssien ristiinopiskelu","sv":"Korsstudier i fördjupade kurser i matematik och statistik"}}}],"gradeScaleId":"sis-0-5","outcomes":{"en":"After the course, the student masters various extensions of linear and generalized linear models. These are, among others, the following methods and methodological contexts:\r\n- How to construct predictions (forecasts), select loss function and predictive model\r\n- Cross-validation and the idea of bootstrap\r\n- Classification-based models and methods: Logistic regression and linear discriminant analysis\r\n- Shrinkage and penalization-based methods, such as ridge and lasso regression models\r\n- Nonparametric regression functions and nonlinear regression models","fi":"Kurssin jälkeen opiskelija hallitsee useita perinteisten lineaarisiin ja yleistettyihin lineaarisiin malleihin liitettäviä menetelmiä ja laajennuksia. Näitä ovat mm.:\r\n- Ennusteiden muodostaminen, tappiofunktion ja ennustemallin valinta\r\n- Ristiinvalidointi ja bootstrapin perusteet\r\n- Luokitteluun pohjautuvat mallit: Logistinen regressiomalli ja lineaarinen diskriminanttianalyysi (erotteluanalyysi)\r\n- Mallin kutistamismenetelmät, kuten harjanne (ridge)- ja lasso-regressiomallit sekä laajennetut mallinvalintaa koskevat tarkastelut.\r\n- Epäparametriset regressiofunktiot ja epälineaariset regressiomallit","sv":"Kurssin jälkeen opiskelija hallitsee useita perinteisten lineaarisiin ja yleistettyihin lineaarisiin malleihin liitettäviä menetelmiä ja laajennuksia. Näitä ovat mm.:\r\n- Ennusteiden muodostaminen, tappiofunktion ja ennustemallin valinta\r\n- Ristiinvalidointi ja bootstrapin perusteet\r\n- Luokitteluun pohjautuvat mallit: Logistinen regressiomalli ja lineaarinen diskriminanttianalyysi (erotteluanalyysi)\r\n- Mallin kutistamismenetelmät, kuten harjanne (ridge)- ja lasso-regressiomallit sekä laajennetut mallinvalintaa koskevat tarkastelut.\r\n- Epäparametriset regressiofunktiot ja epälineaariset regressiomallit"},"tweetText":null,"content":{"en":"This course contains various extensions of linear and generalized linear models and their connections to statistical learning. These are, among others, parametric nonlinear and nonparametric regression functions and the methods connected to model selection and robust estimation. In statistical learning (cf. machine learning), we emphasize a stronger emphasis on statistics and statistical properties of the methods, with a special attention paid on the predictive performances of the methods. The objective of this course is generally to give starting points for more advanced statistical analyses with statistical learning methods such as various machine learning and neural networks algorithms.\r\n\r\nThe methods of this course are common and suitable for the analysis of a wide range of applications. In the term paper, it is possible to specialize according to one&#39;s own interest (e.g., minor or major studies) on the analysis of datasets in a specific application field.","fi":"Kurssilla käsitellään lineaaristen ja yleistettyjen lineaaristen mallien laajennuksia ja niiden yhteyksiä tilastolliseen oppimiseen. Näitä ovat mm. epälineaariset ja epäparametriset regressiofunktiot sekä mallinvalintaan ja estimointiin liittyvät menetelmät laajoja aineistoja analysoitaessa. Tilastolliseen oppimiseen liitettävien tavoitteiden vuoksi kurssilla kiinnitetään erityistä huomiota tilastollisten mallien rakentamiseen ja arviointiin niiden ennustekyvyn perusteella. Kurssin tavoitteena on osaltaan antaa myös lähtökohtia mm. koneoppimiseen ja neuroverkkoihin perustuvan tilastollisen analyysin toteuttamiseen.\r\n\r\nKurssin menetelmät ovat yleisiä ja sopivat monenlaisten aineistojen analysointiin. Kurssin harjoitustyön yhteydessä on mahdollista erikoistua oman mielenkiinnon (esim. sivuaine- tai pääaineopintojen) mukaan tietyn alan sovellusten ja aineistojen analysointiin.","sv":"Kurssilla käsitellään lineaaristen ja yleistettyjen lineaaristen mallien laajennuksia ja niiden yhteyksiä tilastolliseen oppimiseen. Näitä ovat mm. epälineaariset ja epäparametriset regressiofunktiot sekä mallinvalintaan ja estimointiin liittyvät menetelmät laajoja aineistoja analysoitaessa. Tilastolliseen oppimiseen liitettävien tavoitteiden vuoksi kurssilla kiinnitetään erityistä huomiota tilastollisten mallien rakentamiseen ja arviointiin niiden ennustekyvyn perusteella. Kurssin tavoitteena on osaltaan antaa myös lähtökohtia mm. koneoppimiseen ja neuroverkkoihin perustuvan tilastollisen analyysin toteuttamiseen.\r\n\r\nKurssin menetelmät ovat yleisiä ja sopivat monenlaisten aineistojen analysointiin. Kurssin harjoitustyön yhteydessä on mahdollista erikoistua oman mielenkiinnon (esim. sivuaine- tai pääaineopintojen) mukaan tietyn alan sovellusten ja aineistojen analysointiin."},"additional":{"en":"For statistics and mathematics major students, this course is also part of the Bachelor&#39;s level optional module &#34;Biometrian sovellusalueiden opintokokonaisuus tilastotieteilijöille ja matemaatikoille&#34; (Applications of Biometrics for Statisticians and Mathematicians&#34;) and &#34;Rahoituksen opintokokonaisuus tilastotieteilijöille ja matemaatikoille&#34; (Finance Study Module for Statisticians and Mathematicians&#34;).\r\n\r\nThe course is also in the UTUGS programme as a special course. In this case, it is recommended to first take the course TILM3627 Statistical learning: Boot camp (1 ECTS, also in the UTUGS programme).","fi":"Kurssi kuuluu myös matematiikan ja tilastotieteen pääaineopiskelijoiden LuK-vaiheen vapaavalintaisiin sivuainekokonaisuuksiin &#34;Biometrian sovellusalueiden opintokokonaisuus tilastotieteilijöille ja matemaatikoille&#34; ja &#34;Rahoituksen opintokokonaisuus tilastotieteilijöille ja matemaatikoille&#34;.\r\n\r\nKurssi on myös UTUGS:n ohjelmassa tilastotieteen erikoiskurssina. Tällöin on suositeltavaa suorittaa ensin ennakkotietoina UTUGS-ohjelmassa oleva kurssi TILM3627 Statistical learning: Boot camp (1 op)."},"prerequisites":{"en":"Students are expected to have the basic knowledge of linear regression analysis (including the basics of statistical inference), or introductory econometrics in economics and finance, and the prerequisites for those courses.\r\n\r\nStatistics minor students can also benefit from completing the course TILM3627 Statistical learning: Boot camp (1 ECTS) before this course.","fi":"Esitietoina oletetaan tilastollisen päättelyn perustiedot, kuten aineopintojen Tilastollinen päättely I (TILM3561) ja II (TILM3707) kurssit, Lineaaristen ja yleistettyjen lineaaristen mallien (TILM3588) tiedot sekä näiden kurssien vaatimat esitiedot. Vastaavat tiedot voi saavuttaa osin myös mm. taloustieteen Ekonometrian johdantokurssilla tai laskentatoimen ja rahoituksen Ekonometrian peruskurssilla.\r\n\r\nTilastotieteen sivuaineopiskelijat ja UTUGS-ohjelman väitöskirjatutkijat voivat hyötyä myös kurssin TILM3627 Statistical learning: Boot camp (1 op) suorittamisesta ennen tätä kurssia."},"compulsoryFormalPrerequisites":[],"recommendedFormalPrerequisites":[],"literature":[],"learningMaterial":null,"completionMethods":[]}],"prerequisiteCourseUnit":[],"prerequisiteModule":[]},"prerequisiteCourseUnitPage":{"nodes":[]},"prerequisiteModulePage":{"nodes":[]},"parentModulePage":{"nodes":[]}},"pageContext":{"type":"courseUnit","locale":"en","title":"Advanced Regression Analysis and Statistical Learning","id":"otm-eadac8e1-cd14-39ed-8b43-b7c7f707699d","code":"TILM3622","prerequisiteCourseUnitIds":[],"prerequisiteModuleIds":[],"parentModuleIds":[],"curriculumPeriodStartDate":"2026-08-01","curriculumPeriodEndDate":"2027-08-01","coordinatingOrgIds":[],"searchable":false,"searchTags":null,"organisationIds":["otm-69f8ea31-de0c-3050-ab2a-e571fbab1f95"],"organisations":[],"attainmentLanguages":[],"hasSummerStudies":false,"teachingPeriods":[],"cooperationNetworkDirection":"INBOUND","hasCooperationNetworkSettings":true,"hasAvoinTeaching":false}}}