Hva er statistikk og maskinlæring?

Statistiske metoder

Brukes ofte for å forstå data, teste hypoteser og lage enkle prediksjonsmodeller:

• Lineær regresjon

• Logistisk regresjon

• Hypotesetesting (t-tester, chi-kvadrat, ANOVA)

• Korrelasjonsanalyse (Pearson, Spearman)

• Variansanalyse (ANOVA)

• Bayesiansk statistikk

• Kaplan-Meier estimator (overlevelsesanalyse)

• Multivariat regresjon

• Tidserieanalyse (ARIMA, eksponentiell glatting)

Maskinlæringsmetoder

Brukes for mer avansert mønstergjenkjenning, prediksjon og beslutningsstøtte.

Supervised learning (med treningsdata med fasit):

• Beslutningstrær

• Random Forest

• Støttevektormaskiner (SVM)

• K-nearest neighbors (KNN)

• Gradient Boosting (XGBoost, LightGBM)

• Nevrale nettverk / Deep learning

• Naive Bayes

Unsupervised learning (uten fasit):

• K-means clustering

• Hierarkisk klynging

• DBSCAN

• Principal Component Analysis (PCA)

• t-SNE / UMAP (visualisering av høy-dimensjonale data)

• Association rule learning (Apriori, FP-growth)

Reinforcement learning (læring via belønning):

• Q-learning

• Deep Q-networks (DQN)

• Policy gradient-metoder

Modellvurdering og forbedring

• Cross-validation

• Grid search / Hyperparameter tuning

• Confusion matrix

• ROC/AUC

• Precision, Recall, F1-score

Tips til å forstå statistiske modeller og maskinlæring

• Dimensjonsreduksjon:

  • Principal Component Analysis (PCA)

• Prediktive modeller (supervised learning):

  • Linear regression

  • Gini impurity (brukes i beslutningstrær for klassifisering)

• Klynging (unsupervised learning):

  • Cluster analysis

  • K-means clustering