Statystyczna analiza danych 2

obowiązkowe

Sprawne programowanie w R, zaliczona statystyczna analiza danych 1, znajomość jęz. angielskiego.

Zaawansowane metody uczenia maszynowego.

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

Pattern Recognition and Machine Learning, C. Bishop

Probabilistic Modeling in Bioinformatics and Medical Informatics, D. Husmeier, R. Dybowski and S, Roberts

Metody wnioskowania w modelach uczenia maszynowego, z naciskiem na modele probabilistyczne grafowe.

zasady zaliczania przedmiotu:

50% egzamin końcowy (test)

15% projekt obliczeniowy 1

15% projekt obliczeniowy 2

Test w połowie semestru 15%

5% aktywność na zajęciach

Wymagane do zaliczenia: 50%

Egzamin zerowy: ustny, termin ustalany indywidualnie, nie pózniej niz tydzień przed egzaminem końcowym.

Kryteria przystąpienia do egzaminu zerowego: 45 punktów z projektów i testu w połowie semestru.