Profiles

Porträttbild på Frank Miller. Foto: Statistiska institutionen

Frank Miller

Professor

View page in English
Arbetar vid Statistiska institutionen
Telefon 08-16 29 76
E-post frank.miller@stat.su.se
Besöksadress Universitetsvägen 10 B, plan 7
Rum B 736
Postadress Statistiska institutionen 106 91 Stockholm

Om mig

Professor i statistik

Mottagningstid

Enligt överenskommelse.

Undervisning

HT 2020: Försöksplanering (kurs inom master's program)
               Optimisation algorithms in Statistics I (doktorandkurs)

VT 2021: Statistiska beräkningar (kurs inom master's program)
               Optimisation algorithms in Statistics II (doktorandkurs)
               Två föreläsningar inom kursen Maskininlärning (master's program)

HT 2021: Försöksplanering (kurs inom master's program)

Forskning

Biostatistik, försöksplanering (adaptiva och sekventiella försöksplaner, aktiv maskininlärning, kliniska försök, optimala försöksplaner), kunskapsprov, optimeringsalgoritmer.

Forskningsprojekt finanserat av Vetenskapsrådet

Optimal kalibrering av uppgifter i datorbaserade kunskapsprov, se även artikeln "Hur hittar man rätt svårighetsgrad för kunskapstest?"

 

Ämnen för framtida doktorandprojekt

Improved methods for pretesting achievement tests and implementation. Questions for larger achievement tests like PISA, högskoleprovet, and national tests in school need to be pretested in advance. The Swedish research council funded a reseach project to improve methods for this pretesting. There is possibility for a further PhD student to contribute to this project.

Optimization algorithms. In several areas of statistics including optimal experimental design and machine learning, it is essential to have efficient algorithms for computing optimal solutions numerically. While optimization algorithms have a considerable history, many new algorithms have been suggested in recent years. In this PhD project, we will work on improving modern optimization algorithms.

Active machine learning. This area deals with situations where unlabeled data is available but there is the possibility to label some of the observations. Methods of optimal experimental design give the opportunity to choose observations for labeling which are most suitable. The PhD project aims to improve the current active machine learning methods.

Senast uppdaterad: 25 januari 2021

Bokmärk och dela Tipsa