|
Vyučující
|
-
Vencálek Ondřej, doc. Mgr. Ph.D.
-
Fürst Tomáš, RNDr. Ph.D.
|
|
Obsah předmětu
|
1. Dva pohledy na pravděpodobnost: Kolmogorov a Cox. 2. Podmíněná pravděpodobnost, věrohodnost. 3. Inference, predikce a rozhodování. 4. Bayesova věta a její použití. 5. Exaktní metody. 6. Metoda maximální věrohodnosti. 7. Laplaceova metoda. 8. Srovnávání modelů. 9. Metody Monte Carlo a jejich aplikace.
|
|
Studijní aktivity a metody výuky
|
|
Monologická (výklad, přednáška, instruktáž), Dialogická (diskuze, rozhovor, brainstorming)
|
|
Výstupy z učení
|
Porozumět principu baysovského pohledu na data a inference
Porozumění: Porozumění principu baysovského pohledu na data a inference
|
|
Předpoklady
|
porozumění lineární algebře a kalkulu, základy procedurálního programování
KMA/MA1 a zároveň KAG/LA1A
|
|
Hodnoticí metody a kritéria
|
Seminární práce
Kolokvium: komplexní zpracování vybraného problému, obhajoba formou prezentace.
|
|
Doporučená literatura
|
-
Online přednáška.
-
Online přednáška.
-
A. B. Downey. (2013). Think Bayes. O'Reilly.
-
D. MacKay. (2003). Information theory, Inference, and learning algorithms. Cambridge University Press.
-
Gelman. (2013). Bayesian data analysis, Series: Chapman & Hall/CRC Texts in Statistical Science. Chapman and Hall.
-
J. Kruschke. (2014). Doing Bayesian Data Analysis: A Tutorial with R. JAGS, and Stan, Academic Press.
-
R. McElreath. (2015). Statistical Rethinking: A Bayesian Course with Examples in R and Stan. Chapman & Hall.
-
T. Hastie R. Tibshirani. (2016). The Elements of Statistical Learning. Data Mining, Inference, and Prediction, Springer.
|