TDDE07 · Linköpings universitet
Bayesianska metoder
Ny kurs
Inga tentor än
Ladda upp dina tidigare tentor och få hjälp med att strukturera ditt studiematerial
Få dina tentauppgifter kategoriseradeBli guidad genom ditt studiematerialFå hjälp direkt med teori och tipsHåll koll på dina framsteg
HP
6
Språk
Engelska
Nivå
Avancerad nivå
Fakultet
Tekniska fakulteten
Institution
Institutionen för datavetenskap
Lärandemål
Kursen ger en gedigen introduktion till bayesiansk inlärning, med speciell fokus på teori, modeller och metoder som används inom tillämpad maskininlärning. Grundläggande ideér och begrepp inom bayesiansk analys presenteras genom detaljerad analys av enklare sannolikhetsmodeller. Kursen presenterar de vanligast förekommande simuleringsalgoritmerna, och visar hur dessa algoritmer kan användas för att lösa komplexa maskininlärningsproblem. Efter genomgången kurs ska den studerande kunna:
- härleda posteriorfördelningen i ett antal enklare sannolikhetsmodeller
- använda simuleringsmetoder för bayesiansk analys av komplexa modeller
- utföra bayesiansk prediktion och beslutsfattande under osäkerhet
- utföra bayesiansk modellinferens.
Kursinnehåll
Likelihood, Subjectiv sannolikhet, Bayes sats, Apriori- och aposteriorifördelning, Bayesiansk analys av modellerna: Bernoulli, Normal, Multinomial, Multivariat normal, Linjär och icke-linjär regression, Binär regression, Mixture modeller; Regulariserings prior, Klassificering Naïve Bayes, Marginalisering, Posterior approximation, Prediktion, Beslutsteori, Markov Chain Monte Carlo, Gibbs sampling, Bayesiansk variabelselektion, Modellval, Model averaging.
Förutsättningar
- Matematisk analys; Linjär algebra; sannolikhetslära och statistisk; Maskininlärning; Grundläggande programmering.
Litteratur
Bayesian Data Analysis - Gelman, A., Carlin, J.B., Stern, H. S., Dunson, D. B., Vehtari, A., and Donald Rubin, D.B.
Liknande kurser vid andra universitet
Gör som 15 000+ studenter och ta kontroll över ditt tentaplugg.
Kom igång gratis