1 Course overview

1.1. Course description: The course introduces a wide variety of applied statisti- cal tools and methodologies for identifying different types of problems and selecting the appropriate solution for the analysis of the data.  The material covered in the course includes basic concepts of regression and classification.   Classical methods, as well as modern computer-intensive methods are discussed and compared.  Several datasets are analyzed and particular attention is paid on the interpretation of the results. The main topics covered are: cross-validation, bootstrap, linear regression, regularization methods, principal components, generalized linear models, non-linear regression, Bayes classifier, KNN, linear and quadratic discriminant analysis, tree based methods, support vector machines and missing data.

1.2. Prerequisites: STAT 4051 and STAT 4102 (or STAT 5102).

1.3. Credit Hours: 4.

1.4.  Class Web Page and course material: Lecture notes, assignments, etc will be made available on Canvas at https://canvas.umn.edu/courses/411058.

1.5. Course format: Classes will be held in-person, whereas office hours will be held online through Zoom (link provided in Section 1.7).  Attendance is not required.  I intend to hold all class sessions in-person except if situational factors arise, such as personal illness or work-related trips of the instructor. Only under these circumstances, the class may be held synchronously via Zoom or recorded for later viewing.

1.6. Technology requirements: These technical requirements will allow you to access the Canvas site successfully, send/receive online communications, complete assigned activities: a U of M internet ID (your official U of M email address), a reliable, high-speed Internet access, a supported web browser, a laptop or desktop with a working microphone and webcam, R or RStudio installed on your computer (see Section on statistical software below).

2 Course information

2.1. Course inquires: Any question related to the course, including homework assign-  ments, lecture notes, R code, exams and class organization, must be posted on the discussion board on Canvas.  Please, do not email the instructor or the TA if you have questions   regarding any of the above mentioned categories. Only questions related to your individual performance should be sent directly to the main instructor or the TA via email.

2.2. Textbooks:

The links to the textbooks are provided on the Canvas webpage of the course.

.  (Required) James, G., Witten, D., Hastie, T., Tibshirani, R. (2013).  An introduction to statistical learning. New York: Springer.  (It covers about 70% of the material).

.  (Required) Faraway, J.J. (2004). Extending the Linear Model with R. Chapman & Hall.  (It covers about 25% of the material).

.  (Required) Gelman, A., and Hill, J.  (2006).  Data analysis using regression and multilevel/hierarchical models. Cambridge university press.  (Chapter 25 only).  (It covers about 5% of the material).

2.3. Statistical Software: (Required)  RStudio and  R.  Free  download  at:   https: //rstudio.com/products/rstudio/download/. Before the first lab you must make sure  that the most updated versions of both R and RStudio are installed on your computer.

3 Assessment

3.1. Homework assignments: The homework is a required part of the course. There will be 10 assignments during the semester and can be conducted either individually or in groups. Each group cannot contain more than 3 students. The homework will assess both the theory component discussed during class and the computational component introduced in the Lab. Assignments will typically be due weekly on Tuesdays.  Occasionally, assignments may be due on Sundays and/or biweekly. Late homework will not be graded, but the lowest homework score will be dropped.

4 Other course policies

4.1. Letters of Recommendation. Letters of recommendation may potentially be written for deserving students only after the course has been completed.   Requests  for letters will be taken under consideration only for students satisfying all of the following requirements:

. a letter grade no lower than A-,

. participation during the lectures and/or on the discussion board,

. a score Ø 86% in the final project.

Requests for letter of recommendation must be made at least 3 weeks in advance.

4.2.  Incompletes. Incompletes will be given in cases of extreme hardship, and when  there is a substantial amount of unfinished work that the student is not able to complete. The student must have a legitimate excuse why the work could not be done on time, adequate documentation verifying the situation must be provided, and he or she must make  arrangements with the instructor as to when the work will be done. Incompletes will not be granted retroactively, i.e., if a student facing hardship decides to complete homework assignments or exams, and requests an incomplete only after seeing the outcomes.  For more information, please refer to the university policy about incompletes.

4.3. Makeup Work for Legitimate Absences. Students will not be penalized for absence during the semester due to unavoidable or legitimate circumstances. Such circum- stances include verified illness, participation in intercollegiate athletic events, subpoenas, jury duty, military service, bereavement, and religious observances. Such circumstances do not include voting in local, state, or national elections.  Adequate documentation is required only in situations where the legitimate absence involves missing an exam.

4.4.  COVID-19 policies. The instructor acknowledges that the diffusion of COVID-19 may increase the likelihood of sickness. You should stay at home if you experience any signs of illness or have a positive COVID-19 test result. If this occurs, please consult with your healthcare provider about an appropriate course of action. I will follow these same protocols and will let you know if the delivery of this course has to be temporarily changed as the result of my own circumstances. Absences related to illness, including COVID-19 symptoms, for yourself or your dependents, that involve missing an exam will require adequate documentation from your healthcare provider.

4.5. Scholastic Dishonesty. You are expected to do your own academic work and cite sources as necessary. Failing to do so is scholastic dishonesty. Scholastic dishonesty means plagiarizing; cheating on assignments or examinations; engaging in unauthorized collaboration on academic work; taking, acquiring, or using test materials without faculty permission; submitting false or incomplete records of academic achievement; acting alone or in cooperation with another to falsify records or to obtain dishonestly grades, honors, awards, or professional endorsement; altering, forging, or misusing a University academic record; or fabricating or falsifying data, research procedures, or data analysis.