Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Statystyczna analiza danych 2 (wspólne z 1000-718SAD)

Informacje ogólne

Kod przedmiotu: 1000-2M13SAD2
Kod Erasmus / ISCED: 11.303 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0612) Database and network design and administration Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Statystyczna analiza danych 2 (wspólne z 1000-718SAD)
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty obieralne dla informatyki
Punkty ECTS i inne: (brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

monograficzne

Założenia (opisowo):

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

Skrócony opis:

Zaawansowane metody uczenia maszynowego.

Pełny opis:

Syllabus

1. podejście czystościowe vs bayerowskie 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, strukturany EM

8. Próbkowanie (MCMC,próbnik Gibbsa)

Jak czas pozwoli,

9. wnioskowanie wariacyjne

10. analiza ekploratywna danych na przykładzie analizy danych RNA seq pojedynczych komórek

Literatura:

Pattern Recognition and Machine Learning, C. Bishop

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

Efekty uczenia się:

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

Metody i kryteria oceniania:

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.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.3.0-2b06adb1e (2024-03-27)