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

Maria Weurlander, Linda Wänström, Astrid Seeberger, Annalena Loenn, Linda Barman, Hakan Hult, Robert Thornberg, Annika Wernerson (2024) Development and validation of the physician self-efficacy to manage emotional challenges Scale (PSMEC) BMC Medical Education, Vol. 24, Artikel 228 Vidare till DOI
Samuel Schäfer, Martin Smelik, Oleg Sysoev, Yelin Zhao, Desiré Eklund, Sandra Lilja, Mika Gustafsson, Holger Heyn, Antonio Julia, Istvan A. Kovacs, Joseph Loscalzo, Sara Marsal, Huan Zhang, Xinxiu Li, Danuta Gawel, Hui Wang, Mikael Benson (2024) scDrugPrio: a framework for the analysis of single-cell transcriptomics to address multiple problems in precision medicine in immune-mediated inflammatory diseases Genome Medicine, Vol. 16, Artikel 42 Vidare till DOI
Mahmood Ul Hassan, Frank Miller (2024) Optimal Calibration of Items for Multidimensional Achievement Tests Journal of educational measurement Vidare till DOI
Bertil Wegmann, Anders Lundquist, Anders Eklund, Mattias Villani (2024) Bayesian modelling of effective and functional brain connectivity using hierarchical vector autoregressions The Journal of the Royal Statistical Society, Series C: Applied Statistics Vidare till DOI
Mattias Kloo, Robert Thornberg, Linda Wänström, Dorothy L. Espelage (2024) Longitudinal links of authoritative teaching and bullying victimization in upper elementary school Educational Psychology Vidare till DOI
Muhammad Usman Akbar, Måns Larsson, Ida Blystad, Anders Eklund (2024) Brain tumor segmentation using synthetic MR images - A comparison of GANs and diffusion models Scientific Data, Vol. 11, Artikel 259 Vidare till DOI
Joseph B. Kadane, Anders Nordgaard (2024) Using Bayes factors to limit forensic testimony to forensics: composite hypotheses AUSTRALIAN JOURNAL OF FORENSIC SCIENCES Vidare till DOI
Jörg Schilcher, Alva Nilsson, Oliver Andlid, Anders Eklund (2024) 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

2023

Krzysztof Bartoszek, Ying Luo (2023) Identifying clusters in Czekanowski's diagram Mathematica Applicanda, Vol. 51, s. 183-198 Vidare till DOI
Filip Ekström Kelvinius, Dimitar Georgiev, Artur Petrov Toshev, Johannes Gasteiger (2023) Accelerating Molecular Graph Neural Networks via Knowledge Distillation

Kandidat- och masterprogram

Forskarutbildning

Kontakta oss

Medarbetare vid STIMA

Om institutionen