Visa engelsk kursplan
 
KURSPLAN
Bayesian Learning, 6hp
 
Kurskategori Master´s Programme in Statistics and Data Mining
Huvudområde Statistik
Ämnesområde Statistik - ST1
  Kurskod   732A46
Mål
Efter avslutad kurs skall den studerande på en avancerad nivå kunna:
- förklara tydligt de största skillnaderna mellan Bayesiansk och frekventistisk inferens
- analysera grundläggande statistiska modeller som utnyttjar det Bayesianska tillvägagångssättet och tolka resultat på ett korrekt sätt
- använda Bayesianska modeller för prediktion och beslutsfattande
- implementera avancerade statistiska modeller genom att använda avancerade simuleringstekniker
- förklara principer bakom den Bayesianska inferensen
Kursinnehåll
Kursen syftar till att ge en grundläggande inledning till det Bayesianska tillvägagångssättet för statistisk inferens med inriktning mot tillämpningar i Data Mining och maskinläran. Efter en introduktion till det subjektiva sannolikhetskonceptet fokuserar kursen på matematiken av ”priori-till-posteriori” uppdateringen i de grundläggande statistiska modellerna såsom Bernoulli, normalmodell och multinomiala modeller. Linjär regression och spline regression analyseras också med Bayesianska metoder. I kursen visas därefter hur komplexa modeller kan analyseras med simuleringstekniker såsom Markov Chain Monte Carlo (MCMC). Bayesiansk prediktion och marginalisering av onödiga parametrar förklaras och introduktion till Bayesiansk modelurval och Bayesiansk beslutsteori ges också i kursen.
Undervisning/Arbetsformer
Kursen består av föreläsningar, lektioner och datorlaborationer. Föreläsningarna presenterar begrepp och metoder. Lektionerna ägnas åt lösning av matematiskt inriktade uppgifter. Datorlaborationerna ägnas åt praktiska övningar i Bayesiansk inferens. Utöver detta ska den studerande utöva självstudier.
Språk: Engelska.
Examination
Kursen examineras genom ett projektarbete samt inlämning av laborationsuppgifter. Detaljerad information återfinns i studiehandlednignen.

Studerande som underkänts två gånger på kursen eller del av kursen har rätt att begära en annan examinator vid förnyat examinationstillfälle.

Den som godkänts i prov får ej delta i förnyat prov för högre betyg.
Förkunskap

För tillträde till kursen krävs det att den studerande har ett kandidatexamen med lägst 90 hp, dvs. 18 månader heltidsstudier, i matematik, tillämpad matematik, statistik eller datavetenskap. Matematikkurserna på grundnivå bör inkludera såväl kalkyl som linjär algebra. Studenten skall också ha klarat av följande kurser:
- en grundkurs i sannolikhetslära och inferens
- en kurs i programmering,
- en kurs som inkluderar multipel linjär regression.

Engelska B eller motsvarande.
Betyg
På kursen ges betyget Väl godkänd, Godkänd eller Underkänd
Kursbevis
Kursbevis utfärdas av filosofiska fakultetsstyrelsen, efter begäran av den studerande. Begäran om bevis ska göras på särskild blankett som finns att hämta på Centrala studerandeexpeditionerna eller via http://www.student.liu.se/examen?l=sv. Blanketten lämnas till Examen
Kurslitteratur
Lista över kurslitteratur fastställs av ansvarig institution/motsvarande
Övrigt
Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som skall ingå i varje kurs skall därför behandla frågan om hur kursen överensstämmer med kursplanen.

Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.
 
Bayesian Learning
Bayesian Learning
 
Kursansvarig är: IDA - Institutionen för datavetenskap
           
Dnr: 2012-01412   Kurskod: 732A46      
    Provkoder: (se förteckning i LADOK)      
Ämne: Statistik          
           
Nivå   Utbildningsnivå     Ämneskod   Utbildningsområde  
A1X   Avancerad       SA  
Fastställd av Kvalitetetsnämndens AU 2013-04-30 på delegation av filosofiska fakultetsstyrelsen.