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

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.

Träffa Akshay, student på Statistics and Machine Learning

Masterstudent prisas för forskning om trafikflöden

Akshay Gurudath får Christer Gilén-stipendiet för sitt examensarbete i statistik och maskininlärning. I sin uppsats presenterar och jämför Akshay modeller han byggt för att förutsäga positioner för fotgängare, cyklister och självkörande fordon.

Forskning vid STIMA

Senaste publikationerna

2023

Johan Jönemo, Anders Eklund (2023) Brain Age Prediction Using 2D Projections Based on Higher-Order Statistical Moments and Eigenslices from 3D Magnetic Resonance Imaging Volumes Journal of Imaging, Vol. 9, s. 271-271 Vidare till DOI
Deneb Boito, Anders Eklund, Anders Tisell, Richard Levi, Evren Özarslan, Ida Blystad (2023) MRI with generalized diffusion encoding reveals damaged white matter in patients previously hospitalized for COVID-19 and with persisting symptoms at follow-up Brain Communications, Vol. 5, Artikel fcad284 Vidare till DOI
Jörg Schilcher, Alva Nilsson, Oliver Andlid, Anders Eklund (2023) Fusion of electronic health records and radiographic images for a multimodal deep learning prediction model of atypical femur fractures Computers in Biology and Medicine, Vol. 168, Artikel 107704 Vidare till DOI
Takayuki Yamada, Tetsuto Himeno, Annika Tillander, Tatjana Pavlenko (2023) Test for Mean Matrix in GMANOVA Model Under Heteroscedasticity and Non-Normality for High-Dimensional Data THEORY OF PROBABILITY AND MATHEMATICAL STATISTICS, Vol. 109, s. 129-158 Vidare till DOI
Amirhossein Ahmadian, Fredrik Lindsten (2023) Enhancing Representation Learning with Deep Classifiers in Presence of Shortcut Proceedings of IEEE ICASSP 2023 Vidare till DOI
Christoforos Spyretos, Iulian Emil Tampu, Anders Eklund, Neda Haj-Hosseini (2023) Classification of Brain Tumour Tissue in Histopathology Images Using Deep Learning
Bertil Wegmann, Patricia Tatemoto, Stefan Miemczyk, Johnny Ludvigsson, Carlos Guerrero-Bosagna (2023) Identification of potentially relevant metals for the etiology of autism by using a Bayesian multivariate approach for partially censored values Scientific Reports, Vol. 13, Artikel 12622 Vidare till DOI
Theodor Westny, Joel Oskarsson, Björn Olofsson, Erik Frisk (2023) Evaluation of Differentially Constrained Motion Models for Graph-Based Trajectory Prediction 2023 IEEE INTELLIGENT VEHICLES SYMPOSIUM, IV Vidare till DOI
Johan Jönemo, Muhammad Usman Akbar, Robin Kämpe, J. Paul Hamilton, Anders Eklund (2023) Efficient Brain Age Prediction from 3D MRI Volumes Using 2D Projections Brain Sciences, Vol. 13, Artikel 1329 Vidare till DOI
Krzysztof Bartoszek, Jesualdo Fuentes Gonzalez, Venelin Mitov, Jason Pienaar, Marcin Piwczyński, Radosław Puchałka, Krzysztof Spalik, Kjetil Lysne Voje (2023) Model Selection Performance in Phylogenetic Comparative Methods Under Multivariate Ornstein-Uhlenbeck Models of Trait Evolution Systematic Biology, Fast mvSLOUCH: Model comparison for multivariate Ornstein--Uhlenbeck-based models of trait evolution on large phylogenies, Vol. 72, s. 275-293 Vidare till DOI

Kandidat- och masterprogram

Forskarutbildning

Kontakta oss

Medarbetare vid STIMA

Om institutionen