Statystyczna analiza danych 2

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

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

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.

Pattern Recognition and Machine Learning, C. Bishop

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