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.

Innovativ idé för effektivare cancerbehandlingar prisas

Lisa Menacher har tilldelats Christer Giléns stipendium 2024 inom området statistik och maskininlärning för sin masteruppsats. Hon har använt maskininlärning i ett försök att göra val av cancerbehandling mer effektivt.

Tomas Landelius och Carolina Natel de Moura.

Fokusperioden resulterade i nya samarbeten for klimatet

Under hösten 2024 samlades återigen forskare från hela världen vid Linköpings universitet under ELLIITs fem veckor långa fokusperiod. Den här gången med målet att hitta och fördjupa samarbeten inom klimatforskning med hjälp av maskininlärning.

Forskning vid STIMA

Senaste publikationerna

2025

Marie-Ange Fleury, Louis Ohl, Lionel Tastet, Mickaël Leclercq, Frédéric Precioso, Pierre-Alexandre Mattei, Romain Capoulade, Kathia Abdoun, Élisabeth Bédard, Marie Arsenault, Jonathan Beaudoin, Mathieu Bernier, Erwan Salaun, Jérémy Bernard, Mylène Shen, Sébastien Hecht, Nancy Côté, Arnaud Droit, Philippe Pibarot (2025) Unsupervised Machine Learning Analysis to Enhance Risk Stratification in Patients with Asymptomatic Aortic Stenosis The European Heart Journal - Digital Health, Artikel ztaf115 (Artikel i tidskrift) Vidare till DOI
Jonas Malmborg, Ludvig Joborn, Mattias Beming, Anders Nordgaard, Ivo Alberink (2025) Comparing a machine learning approach with traditional methods for forensic source attribution using chromatographic data FORENSIC CHEMISTRY, Vol. 46, Artikel 100699 (Artikel i tidskrift) Vidare till DOI
Louis Ohl, Pierre-Alexandre Mattei, Frederic Precioso (2025) A Tutorial on Discriminative Clustering and Mutual Information ACM Computing Surveys, Vol. 58, Artikel 90 (Artikel i tidskrift) Vidare till DOI
Sourabh Balgi, Marc Braun, Jose M. Peña, Adel Daoud (2025) Sensitivity Analysis to Unobserved Confounding with Copula-Based Normalizing Flows International Journal of Approximate Reasoning, Vol. 187, Artikel 109531 (Artikel i tidskrift) Vidare till DOI
Arnaud Doucet, Victor Elvira, Fredrik Lindsten, Joaquin Miguez (2025) Preface special issue onsequential monte carlo methods FOUNDATIONS OF DATA SCIENCE, Vol. 7 (Artikel i tidskrift) Vidare till DOI
Annika Tillander, Susanna Lehtinen-Jacks, Nisha Singh, Oskar Halling Ullberg, Ulrika Florin, Katarina Balter (2025) Data for assigning a proxy variable for office worker in open-ended responses on occupation in Swedish questionnaires Data in Brief, Vol. 63, Artikel 112105 (Artikel i tidskrift) Vidare till DOI
Krzysztof Bartoszek, Ying Luo (2025) Fuzzy clustering in Czekanowski's diagram Mathematica Applicanda, Vol. 52 (Artikel i tidskrift) Vidare till DOI
Filip Ekström Kelvinius, Oskar Andersson, Abhijith S. Parackal, Dong Qian, Rickard Armiento, Fredrik Lindsten (2025) WyckoffDiff- A Generative Diffusion Model for Crystal Symmetry Proceedings of the 42nd International Conference on Machine Learning, s. 15130-15147 (Konferensbidrag)
Filip Ekström Kelvinius, Zheng Zhao, Fredrik Lindsten (2025) Solving Linear-Gaussian Bayesian Inverse Problems with Decoupled Diffusion Sequential Monte Carlo Proceedings of the 42nd International Conference on Machine Learning, s. 15148-15181 (Konferensbidrag)
Yifan Ding, Arturas Aleksandrauskas, Amirhossein Ahmadian, Jonas Unger, Fredrik Lindsten, Gabriel Eilertsen (2025) Revisiting Likelihood-Based Out-of-Distribution Detection by Modeling Representations IMAGE ANALYSIS, SCIA 2025, PT II, s. 166-179 (Konferensbidrag) Vidare till DOI

Undervisning - kandidat- och masterprogram

Forskarutbildning

Kontakta oss

Medarbetare vid STIMA

Om institutionen