Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Statystyczna analiza danych 2

Informacje ogólne

Kod przedmiotu: 1000-718SAD
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Statystyczna analiza danych 2
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty obieralne dla informatyki
Przedmioty obowiązkowe na studiach drugiego stopnia na kierunku bioinformatyka
Punkty ECTS i inne: 6.00 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:

obowiązkowe

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)

9. wnioskowanie wariacyjne

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.

Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)

Okres: 2023-10-01 - 2024-01-28
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Anna Gambin
Prowadzący grup: Anna Gambin, Kazimierz Oksza-Orzechowski, Grzegorz Preibisch
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę
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)