Bayesianska metoder, 6 hp

Bayesian Learning, 6 credits

732A91

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Kurstyp

Fristående- och programkurs

Examinator

Mattias Villani

Studierektor eller motsvarande

Ann-Charlotte Hallberg
VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Veckor Språk Ort/Campus VOF
F7MSG Statistics and Data Mining, Master´s Programme 2 (VT 2018) 201812-201821 Engelska Linköping, Valla O

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1X

Kursen ges för

  • Master´s Programme in Statistics and Data Mining

Förkunskapskrav

Kandidatexamen i något av följande ämnen: statistik, matematik, tillämpad matematik, datavetenskap, teknik eller motsvarande examen. Utöver detta, erfordras godkända/avklarade kurser i kalkyl, linjär algebra, statistik och programmering.
Studenten ska också ha följande kurser godkända: En grundkurs i sannolikhetslära och inferens; en kurs som inkluderar multipel linjär regression.
Engelska B eller motsvarande.

Lärandemål

Efter avslutad kurs skall den studerande på en avancerad nivå kunna:
- redogöra för de största skillnaderna mellan Bayesiansk och frekventistisk inferens,
- analysera grundläggande statistiska modeller som utnyttjar det Bayesianska tillvägagångssättet och tolka resultat på ett korrekt sätt,
- använda Bayesianska modeller för prediktion och beslutsfattande,
- implementera avancerade statistiska modeller genom att använda avancerade simuleringstekniker,
- genomföra den Bayesianska inferensen.

 

Kursinnehåll

Kursen behandlar:
Likelihood, Subjektiv sannolikhet, Bayes sats, apriori och aposteriori fördelningar, Bayesiansk analys av följande modeller: Bernoulli, Normal, Multinomial, Multivariat normal; Linjär och icke-linjär regression, Binär regression, Mixture modeller, Regulariseringsprior, Klassificering, Naive Bayes, Marginalisering, Aposteriori approximation, Prediktion, Beslutsteori, Markov Chain Monte Carlo, Gibbs sampling, Bayesiansk variabelselektion, Modelselektion, Modelviktning.

Undervisnings- och arbetsformer

Kursen består av föreläsningar, lektioner och datorlaborationer. Föreläsningarna presenterar begrepp och metoder. Lektionerna ägnas åt lösning av matematiskt inriktade uppgifter. Datorlaborationerna ägnas åt praktiska övningar i Bayesiansk inferens. Utöver detta ska den studerande utöva självstudier.
Språk: Engelska.

Examination

Datortentamen samt skriftliga laborationsuppgifter. Detaljerad information återfinns i studiehandlednignen.

Studerande, vars examination underkänts två gånger på kursen eller del av kursen, har rätt att begära en annan examinator vid förnyat examinationstillfälle.

Den som godkänts i prov får ej delta i förnyat prov för högre betyg.

Betygsskala

ECTS, EC

Övrig information

Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som skall ingå i varje kurs skall därför behandla frågan om hur kursen överensstämmer med kursplanen.

Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.

Institution

Institutionen för datavetenskap

Det finns inga examinationsmoment att visa.

Det finns ingen kurslitteratur tillgänglig på studieinfo för den här kursen.

Denna flik innehåller det material som är publikt i Lisam. Den information som publiceras här är inte juridiskt bindande, sådant material hittar du under övriga flikar på denna sida.

Det finns inga filer att visa.