Uczenie statystyczne 1000-317bSML

Szczegółowy program

1. 
   Statystyka eksploracyjna (2-3 zajęcia)
   




1. 
   Basic summary statistic (wartość średnia, mediana, wariancja próbki, etc.)
   


2. 
   Wizualizacja danych (histogram, wykres pudełkowy, estymator jądrowy gęstości)
   


3. 
   Analiza głównych składowych
   


4. 
   Klasteryzacja, klasteryzacja hierarchiczna, k-średnie, k-medoidy 
   




2. 
   Teoria statystyki (4-5 zajęć)
   




1. 
   Podstawowe definicje (modele statystyczne, statystyki, wiarygodność, etc.)
   


2. 
   Teoria szacowania (estymatory największej wiarygodności, efektywność, błąd średniokwadratowy, kompromis między obciążeniem a wariancją, przedziały ufności)
   


3. 
   Testowanie hipotez statystycznych (błędy typu I i II, moc testu, poziom istotności, wartość p)
   


4. 
   Problemy związane z wartością p (efekt rozmiaru, testowanie wielu hipotez)
   


5. 
   Wnioskowanie bayesowskie (rozkład a priori, rozkład a posteriori, ryzyko bayesowskie i estymator bayesowski, przedziały wiarygodności)
   


6. 
   Odległość między miarami prawdopodobieństwa (dywergencja Kullbacka-Leiblera, miara maksymalnej różnicy, etc.)
   




3. 
   Proste modele regresyjne i klasyfikacyjne (3-4 zajęć)
   




1. 
   Regresja liniowa 
   


2. 
   Klasyfikacja. Regresja logistyczna, LDA, QDA
   


3. 
   Walidacja krzyżowa i bootstrap
   


4. 
   Wybór modelu i regularyzacja, regresja grzbietowa, metoda Lasso, algorytm forward-backward
   




4. 
   Modele zaawansowane (3 zajęcia)
   




1. 
   Modele drzewiaste, bagging, lasy losowe, boosting
   


2. 
   Maszyna wektorów nośnych
   


3. 
   Modele nieliniowe: funkcje sklejane, uogólnione modele addytywne