Statystyczna analiza danych 2 1000-718SAD
Syllabus
1. podejście częstościowe vs bayesowskie w modelowaniu statystycznym
2. sieci bayesowskie (modele probabilistyczne grafowe)
3. wnioskowanie w przypadku modeli probabilistycznych grafowych na danych w pełni obserwowanych
4. Algorytm EM (estymacja parametrów modelu w przypadku istnienia zmiennych ukrytych)
5. łańcuchy Markova, modele ukryte Markowa jako przykłady sieci bayesowskich; estymacja parametrów i wnioskowanie
6. Wnioskowanie dokładne w modelach grafowych (modele czynników, algorytm sumy-iloczynu, drzewa skupień, potencjały, przesył wiadomości, algorytm drzewa węzłów)
7. Wybór modelu, świadectwo modelu, uczenie struktury modelu, modele drzewiaste, modele uogólnione, strukturalny EM
8. Próbkowanie (MCMC,próbnik Gibbsa)
9. wnioskowanie wariacyjne
Rodzaj przedmiotu
Wymagania (lista przedmiotów)
Założenia (opisowo)
Koordynatorzy przedmiotu
Efekty kształcenia
Metody wnioskowania w modelach uczenia maszynowego, z naciskiem na modele probabilistyczne grafowe.
Kryteria oceniania
zasady zaliczania przedmiotu:
50% egzamin końcowy (test)
20% projekt obliczeniowy
25% test w połowie semestru
5% aktywność na zajęciach
Wymagane do zaliczenia: 50%
Literatura
Pattern Recognition and Machine Learning, C. Bishop
Probabilistic Modeling in Bioinformatics and Medical Informatics, D. Husmeier, R. Dybowski and S, Roberts
Więcej informacji
Więcej informacji o poziomie przedmiotu, roku studiów (i/lub semestrze) w którym się odbywa, o rodzaju i liczbie godzin zajęć - szukaj w planach studiów odpowiednich programów. Ten przedmiot jest związany z programami:
- Informatyka, stacjonarne, pierwszego stopnia
- Bioinformatyka i biologia systemów, stacjonarne drugiego stopnia
- Informatyka, stacjonarne, drugiego stopnia
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: