Bilaga 2: Inriktningar

Masterprogram, tillämpad matematik och beräkningsmatematik (TTMAM), Utbildningsplan för kull HT2017

Spår, beräkningsmatematik (COMA)

Datorsimuleringar har växt fram som ett mycket viktigt verktyg för att göra upptäckter och skapa ny kunskap, såväl i industrin som inom vetenskaplig forskning. Stora tillämpningsområden är tex strömningsmekanik, klimat/meteorologi, materialfysik och virtuell design. Spåret Beräkningsmatematik behandlar primärt den matematiska grunden för datorsimuleringar, som numerisk analys och matematisk modellering, men även viss tillämpad datavetenskap, som visualisering och programmering av hög-presterande datorer.

Spår, finansiell matematik (FMIA)

Finansiell matematik behandlar matematisk modellering av finansiella marknader, riskvärdering och riskhantering samt optimering av värdeportföljer. Inriktningen ger en bred kompetens inom dessa områden.

Eftersom ekonomiska variationer (börskurser, priser osv) är typexempel på slumpmässiga variationer, är den finansiella matematiken i stor utsträckning en del av den matematiska statistiken. En styrka med inriktningen är att den kompetens den ger är tillämplig i vitt skilda sammanhang och att den därför inte innebär en specialisering endast mot finasiella marknader.

Spår, optimeringslära och systemteknik (OPSA)

Optimeringslära och systemteori är ett tillämpat matematiskt ämne som omfattar konsten att göra något så bra som möjligt under givna förutsättningar, samt teorin om matematisk modellering, analys och styrning av dynamiska system. Ämnet kan tillämpas inom bl. a. operationsanalys, ekonomi, biologi, robotik, reglerteknik och signalbehandling. Spåret inom masterutbildningen ger kunskap och kompetens att hantera olika optimerings problem, att bygga upp och analysera matematiska modeller för tekniska system, och konstruera algoritmer för styrning och filtrering av sådana system.

Spår, statistisk inlärning och dataanalys (SIDA)

Statistik är vetenskapen om vad man kan lära sig av data. Inom klassisk statistik försöker man förstå data genom att ta fram en rimlig modell för data och testa om data följer en modell. Den moderna tolkningen av begreppet lärande omfattar beräkningsstatistik och användandet av automatiserade metoder för att få ut information ur data.

Under senare år har teknologins utveckling och uppkomsten av massiva datamängder ('big data')  lett till att många metoder för dataanalys, härstammande från olika vetenskapliga områden, återfinns i kontaktytan mellan statistik och  beräkningsbaserad inlärning. Denna kontaktyta kallas statistisk  inlärning och dataanalys. Fokus ligger här på att hitta nya kännetecknande egenskaper hos data och testa hypoteser. Prediktiv dataanalys använder statistiska modeller för att prediktera eller klassificera. Dataanalys har, när den baseras på matematisk statistik och maskininlärning, potential att förändra sättet att bedriva naturvetenskap, företagsveksamhet och samhällsvetenskap.