Bayesian Learning, 6 hp

Bayesian Learning, 6 credits

732A73

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Kurstyp

Fristående- och programkurs

Examinator

Bertil Wegmann

Kursansvarig

Bertil Wegmann

Studierektor eller motsvarande

Jolanta Pielaszkiewicz

Tillgänglig för utbytesstudenter

Ja

Kontaktinformation

VOF = Valbar / Obligatorisk / Frivillig
Kursen ges för Termin Veckor Block Språk Ort/Campus VOF
Fristående kurs (Halvfart, Dagtid) VT 2021 202113-202122 2 Engelska Linköping, Valla
Fristående kurs (Halvfart, Dagtid) VT 2021 202113-202122 2 Engelska Linköping, Valla

Huvudområde

Statistik

Utbildningsnivå

Avancerad nivå

Fördjupningsnivå

A1X

Förkunskapskrav

  • Kandidatexamen om 180hp inklusive självständigt arbete 15hp på fördjupningsnivå i något av följande ämnen:
    Statistik
    Matematik
    Tillämpad matematik
    Datavetenskap
    Teknik
    eller motsvarande examen
  • Godkända kurser i:
    Kalkyl
    Linjär algebra
    Statistik
    Programmering
    samt
  • Godkänd grundkurs i sannolikhetslära och inferens
  • Godkänd kurs som inkluderar multipel linjär regression
  • Engelska 6/B
    (Undantag för svenska)

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.

Om LiU:s koordinator för studenter med funktionsnedsättning har beviljat en student rätt till anpassad examination vid salstentamen har studenten rätt till det. Om koordinatorn istället har gett studenten en rekommendation om anpassad examination eller alternativ examinationsform, får examinator besluta om detta om examinator bedömer det möjligt utifrån kursens mål.

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 ska utgå från kursplanens formuleringar. Den kursvärdering som ska ingå i varje kurs ska 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
Kod Benämning Omfattning Betygsskala
LAB1 Laboration 3 hp EC
TENT Tentamen 3 hp EC
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.