Uniwersytet Warszawski - Centralny System UwierzytelnianiaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

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 obowiązkowe na studiach drugiego stopnia na kierunku bioinformatyka
Punkty ECTS i inne: 6.00
zobacz reguły punktacji
Język prowadzenia: polski
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)

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.

Zajęcia w cyklu "Semestr zimowy 2020/21" (w trakcie)

Okres: 2020-10-01 - 2021-01-31
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Laboratorium, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Ewa Szczurek
Prowadzący grup: Kaustav Sengupta, Ewa Szczurek
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Skrócony opis:

a) 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.

b) informacje o tym, jak będzie on prowadzony w trybie zdalnym

Materiały i podstawowa komunikacja ze studentami: Kurs na Moodle.

Wyklady i zajęcia laboratoryjne: poprzez Zoom

Wykłady nagrywane i udostępniane studentom.

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

Uwagi:

Efekty uczenia się:

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

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.