Διδάσκουσα

Λ. Μελιγκοτσίδου

 

Σκοπός του μαθήματος

Η παρουσίαση των αλγόριθμων Markov chain Monte Carlo (MCMC) και η χρήση τους ως εργαλεία για Μπεϋζιανή συμπερασματολογία για πολύπλοκα πολυπαραμετρικά μοντέλα. Πρόκειται για ένα μάθημα που συμπληρώνει το μάθημα ‘Μπεϋζιανή Συμπερασματολογία Ι’, δίνοντας στους φοιτητές την ευκαιρία να αποκτήσουν πιο εξειδικευμένη γνώση στο αντικείμενο της Μπεϋζιανής Στατιστικής και τα υπολογιστικά εργαλεία για να την εφαρμόσουν στην πράξη. Η υλοποίηση και εφαρμογή των αλγορίθμων σε Η/Υ γίνεται με τη χρήση προγραμματισμού σε R.

Εκπαιδευτικοί στόχοι του μαθήματος

Μετά τη επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής θα έχει αποκτήσει κάποιες βασικές γνώσεις στοχαστικής προσομοίωσης, θα έχει μάθει τους βασικούς αλγόριθμους MCMC και θα έχει αποκτήσει εξοικείωση με τον προγραμματισμο στην R μέσα από την εφαρμογή των μεθόδων και των αλγορίθμων.

Περιεχόμενο

1. Εισαγωγή στη Στοχαστική Προσομοίωση και τις μεθόδους Monte Carlo
2. Δειγματολήπτης Gibbs
3. Τεχνική Αύξησης Δεδομένων για προβλήματα ελιπών δεδομένων
4. Αλγόριθμος Metropolis-Hastings
5. Μπεϋζιανή συμπερασματολογία για Γραμμικά Μοντέλα
6. Μπεϋζιανή συμπερασματολογία για Γενικευμένα Γραμμικά Μοντέλα
7. Εφαρμογές στην R

Μέθοδοι διδασκαλίας

Το περιεχόμενο του μαθήματος καλύπτεται μέσα από 18 ώρες θεωρητική διδασκαλία και 18 ώρες πρακτική άσκηση σε υπολογιστές με τη χρήση προγραμματισμού στο στατιστικό πρόγραμμα R.

Μέθοδος αξιολόγησης

Η αξιολόγηση του φοιτητή γίνεται  με τη βαθμολόγηση τριών εργασιών που εμπλέκουν προγραμματισμό σε R και ανάλυση δεδομένων, οι οποίες αναλογούν  στο 30%  του τελικού βαθμού, ενώ το υπόλοιπο 70% προέρχεται από την απόδοση του φοιτητή σε γραπτές εξετάσεις.