Statistik och maskininlärning (STIMA)

Statistik och maskininlärning är en avdelning vid Institutionen för datavetenskap. Avdelningens verksamhet är inriktad på forskning och undervisning inom modern dataanalys.

Forskning

Vi ser oss gärna som Sveriges modernaste statistikavdelning med fokus på forskning inom modern dataanalys, prediktion och beslutsfattande under osäkerhet.

Vi utför metodforskning inom statistik och maskininlärning, motiverade av problem inom tillämpningsområden som spänner från journalism och psykologi till genetik och robotik.

Undervisning

Avdelningen är värd för det riksunika kandidatprogrammet statistik och dataanalys och det internationella masterprogrammet Statistics and Machine Learning.

Vi ansvarar för kurserna i maskininlärning vid Linköpings universitets civilingenjörsprogram.

Vi driver även forskarutbildningen i statistik vid Linköpings universitet.


Seminarier vid STIMA

Aktuellt vid STIMA

Nyheter och reportage

Moln

Förbättrade väderprognoser med AI

De senaste åren har vi sett stora framsteg inom artificiell intelligens och maskininlärning för väderprognoser. De senaste maskininlärningsmodellerna tar fram väderprognoser som är likvärdiga eller till och med bättre än de traditionella systemen.

Manlig forskare i labbmiljö med blå bakgrund.

13 miljoner till forskning om att lösa mord med AI

Har en person blivit mördad, förgiftad eller kanske dött av sjukdom? Nu har forskare fått 13 miljoner kronor från Vetenskapsrådet för att utveckla metodik för att lösa brott med detaljerade analyser och artificiell intelligens.

Markus Heilig.

Miljonregn ger två nya excellenscenter på LiU

Linköpings universitet får sammanlagt nästan 57 miljoner kronor från Vetenskapsrådet för att bilda två nya excellenscenter för nyskapande forskning. Enligt Vetenskapsrådet sker det i mycket hård konkurrens.

Forskning vid STIMA

Senaste publikationerna

2024

Jonas Malmborg, Magnus Larsson, Lars Jaeger, Anders Nordgaard (2024) Transfer, persistence, contamination and background levels of inorganic gunshot residues FORENSIC CHEMISTRY, Vol. 39, Artikel 100577 Vidare till DOI
Amanda Olmin, Jakob Lindqvist, Lennart Svensson, Fredrik Lindsten (2024) On the connection between Noise-Contrastive Estimation and Contrastive Divergence
Yelin Zhao, Xinxiu Li, Joseph Loscalzo, Martin Smelik, Oleg Sysoev, Yunzhang Wang, A. K. M. Firoj Mahmud, Dina Mansour Aly, Mikael Benson (2024) Transcript and protein signatures derived from shared molecular interactions across cancers are associated with mortality Journal of Translational Medicine, Vol. 22, Artikel 444 Vidare till DOI
Carl Edin, Mattias Ekstedt, Markus Karlsson, Bertil Wegmann, Marcel Warntjes, Eva Swahn, Carl Johan Östgren, Tino Ebbers, Peter Lundberg, Carl-Johan Carlhäll (2024) Liver fibrosis is associated with left ventricular remodeling: insight into the liver-heart axis European Radiology Vidare till DOI
Filip Ekström Kelvinius, Fredrik Lindsten (2024) Discriminator Guidance for Autoregressive Diffusion Models Proceedings of The 27th International Conference on Artificial Intelligence and Statistics, s. 3403-3411
Frank D. Mann, Adolfo G. Cuevas, Sean A.P. Clouston, Colin D. Freilich, Zlatan Krizan, Sascha Zuber, Linda Wänström, Graciela Muniz-Terrera, Patrick O'Keefe, Stacey Voll, Scott Hofer, Joseph L. Rodgers, Robert F. Krueger (2024) A novel approach to model cumulative stress: Area under the s-factor curve Social Science and Medicine, Vol. 348, Artikel 116787 Vidare till DOI
Amirhossein Ahmadian, Yifan Ding, Gabriel Eilertsen, Fredrik Lindsten (2024) Unsupervised Novelty Detection in Pretrained Representation Space with Locally Adapted Likelihood Ratio International Conference on Artificial Intelligence and Statistics 2024, Proceedings of Machine Learning Research
Iulian Emil Tampu, Tamara Bianchessi, Anders Eklund, Neda Haj-Hosseini (2024) Pediatric brain tumor classification using MR-images with age fusion
Christoforos Spyretos, Iulian Emil Tampu, Juan Manuel Pardo Ladino, Neda Haj-Hosseini (2024) Comparison of state-of-the-art models for slide-level pediatric brain tumor histology classification
Frank Miller, Ellinor Fackle-Fornius (2024) Parallel Optimal Calibration of Mixed-Format Items for Achievement Tests Psychometrika Vidare till DOI

Kandidat- och masterprogram

Forskarutbildning

Kontakta oss

Medarbetare vid STIMA

Om institutionen