Tillämpad Bayesiansk dataanalys, 7,5 hp, FOR046F
Utbildningsnivå: Forskarnivå
Kursnamn: Tillämpad Bayesiansk dataanalys
Högskolepoäng: 7,5
Kurskod: FOR046F
Utbildningsnivå: Forskarnivå.
Behörighetskrav: Kursen är öppen för den som är antagen till forskarutbildning vid LTU.
Förkunskapskrav: Statistiska kunskaper motsvarande grundkursen S0001M eller S0008M eller motsvarande kurs. Programmeringserfarenhet inom t.ex. R, MATLAB, Python eller liknande. Det primära verktyget för denna kurs kommer att vara R.
Kursinnehåll: Kursen utforskar olika metoder inom bayesiansk dataanalys för att dra slutsatser från empiriska data, inklusive tidigare erfarenhet och kunskap (om tillgänglig). Till skillnad från klassisk (frekventistisk) dataanalys erbjuder bayesianska metoder mer robust och omfattande slutsats. Mer specifikt kommer kursen att omfatta:
- Bayes sats. Skillnader mellan klassisk (frekventistisk) och bayesiansk inferens.
- Posteriori inferens: sammanfattning av posteriorierfördelningar, trovärdighetsintervall, posteriora sannolikheter, posteriora prediktiva fördelningar och datavisualisering.
- Gamma-Poisson, beta-binomial och normala konjugata modeller för dataanalys.
- Bayesiansk regressionsanalys.
- Användning av simuleringar för posteriori inferens. Enkla tillämpningar av Markov chain-Monte Carlo (MCMC) metoder och deras implementation i R och Stan.
- Bayesiansk klusteranalys.
Lärandemål: Huvudmålet är att utrusta deltagarna med verktygen för att tillämpa och förstå bayesianska modeller i verkliga scenarier. Efter genomgången kurs kommer deltagarna att ha kunskap och färdigheter att:
- Förklara i detalj den bayesianska ramen för dataanalys och betona dess fördelar och flexibilitet jämfört med frekventistiska metoder.
- Konstruera anpassningsbara bayesianska modeller med hjälp av sannolikhet och fördelningsfunktioner.
- Visa rollen för priorifördelningen i bayesiansk inferens och förklara användningen av icke-informativa priorier och konjugata priorier.
- Utveckla, förklara analytiskt och implementera både enkla och multiparametriska sannolikhetsmodeller inom den bayesianska ramen.
- Anpassa hierarkiska modeller och tillhandahålla omfattande tekniska specifikationer för dessa modeller.
- Förstå konceptet bayesiansk linjär regression.
- Utföra bayesiansk databehandling med R och Stan.
Genomförande: Undervisningen består av föreläsningar och seminarier. Obligatoriska inlämningsuppgifter görs kontinuerligt under kursen. Kursen kräver aktivt deltagande under seminarierna där individuella inlämningsuppgifter presenteras.
Examinationsform: Inlämningsuppgifter, aktivt deltagande i problemseminarier.
Betygsskala: G eller U.
Kurslitteratur:
- John K. Kruschke (2014). Doing Bayesian Data Analysis: A tutorial with R, JAGS, and Stan. Elsevier Science, 2nd edition.
- Andrew Gelman, John Carlin, Hal Stern, David Dunson, Aki Vehtari, and Donald Rubin (2022). Bayesian Data Analysis, CRC Press, 3rd edition.
Kursen genomförs: Lp3-4, 2024
Kursen ges återkommande: Ja.
Ansökan till: Mohammad Ghorbani, Email: mohammad.ghorbani@ltu.se
Ansökan senast: Den 5 januari.
Kurs öppen för doktorander antagna vid annat lärosäte än LTU: Ja
Max antal doktorander: Första 20 ansökande
Kursavgift:
Kontaktperson/Kursansvarig: Mohammad Ghorbani Länk till annan webbplats., mohammad.ghorbani@ltu.se, 0920-492197
Examinator: Peter Wall
Uppdaterad:
Sidansvarig: Forskning