Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Zaawansowane modelowanie statystyczne i analiza danych
Tok studiów:
2019/2020
Kod:
ZSDA-3-0040-s
Wydział:
Szkoła Doktorska AGH
Poziom studiów:
Studia III stopnia
Specjalność:
-
Kierunek:
Szkoła Doktorska AGH
Semestr:
0
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Forma studiów:
Stacjonarne
Strona www:
 
Prowadzący moduł:
dr hab. inż. Baranowski Jerzy (jb@agh.edu.pl)
Dyscypliny:
Moduł multidyscyplinarny
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

The goal of the course is to familiarize PhD students with advanced computational models used in Bayesian statistics. The main focus is on Hamiltonian Monte Carlo methods and their implementation in Stan

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Student knows advanced methodologies of statistical modelling in the Bayesian paradigm SDA3A_W03, SDA3A_W01 Aktywność na zajęciach
M_W002 Student knows about Hamiltonian Monte Carlo methods and their difference from the classical MCMC. SDA3A_W03, SDA3A_W01 Aktywność na zajęciach
Umiejętności: potrafi
M_U001 Student is able to critically analyze a scientific paper and present it contents to others with a special focus on statistical results. SDA3A_U05, SDA3A_U01, SDA3A_U04 Aktywność na zajęciach
Kompetencje społeczne: jest gotów do
M_K001 Student knows how to critically asses and communicate scientific results. SDA3A_K01 Aktywność na zajęciach
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
18 9 0 0 0 0 9 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Student knows advanced methodologies of statistical modelling in the Bayesian paradigm + - - - - + - - - - -
M_W002 Student knows about Hamiltonian Monte Carlo methods and their difference from the classical MCMC. - - - - - - - - - - -
Umiejętności
M_U001 Student is able to critically analyze a scientific paper and present it contents to others with a special focus on statistical results. - - - - - + - - - - -
Kompetencje społeczne
M_K001 Student knows how to critically asses and communicate scientific results. - - - - - + - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 54 godz
Punkty ECTS za moduł 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 18 godz
Przygotowanie do zajęć 18 godz
Samodzielne studiowanie tematyki zajęć 18 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (9h):
  1. Main concepts of Bayesian data analysis
  2. Monte Carlo Methods
  3. Using Stan in data analysis
Zajęcia seminaryjne (9h):
Presentation and discussion of statistics applications

PhD Students are assigned research papers, which they study and present them to the gropup. Topics are dis

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Nie określono
  • Zajęcia seminaryjne: Nie określono
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Lectures – attendance
Seminars – the quality of presentation, and understanding and presentation of the concepts in the assigned papers.

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
  • Zajęcia seminaryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
Sposób obliczania oceny końcowej:

The grade will be established mostly on the discussion participation and the presentation of the assigned papers.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Individually determined with the lecturer based on length and reasons of absence.

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Basics of statistics, knowledge or either R or Python.

Zalecana literatura i pomoce naukowe:
  1. Edwin Thompson Jaynes. Probability Theory: The Logic of Science. Cambridge University Press, (2003).
  2. Devinderjit Sivia, John Skilling. Data Analysis: A Bayesian Tutorial. Oxford University Press; 2 edition, (2006)
  3. Gelman, Carlin, Stern, Dunson, Vehtari & Rubin, Bayesian Data Analysis, 3rd ed, 2013
  4. Richard McElreath (2016). Statistical Rethinking: A Bayesian Course with Examples in R and Stan CRC Press.
  5. Michael Betancourt (2017), A Conceptual Introduction to Hamiltonian Monte Carlo, https://arxiv.org/abs/1701.02434
  6. Betancourt, Michael; Byrne, Simon; Livingstone, Sam; Girolami, Mark. The geometric foundations of Hamiltonian Monte Carlo. Bernoulli 23 (2017), no. 4A, 2257—2298. doi:10.3150/16-BEJ810. https://projecteuclid.org/euclid.bj/1494316818
  7. Stan https://mc-stan.org
Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:
  1. Bania, P., Baranowski, J.
    Approximation of optimal filter for Ornstein–Uhlenbeck process with quantised discrete-time observation
    (2018) International Journal of Control,
  2. Baranowski, J., Bania, P., Prasad, I., Cong, T.
    Bayesian fault detection and isolation using Field Kalman Filter
    (2017) Eurasip Journal on Advances in Signal Processing,
  3. Bania, P., Baranowski, J.
    Bayesian estimator of a faulty state: Logarithmic odds approach
    (2017) 2017 22nd International Conference on Methods and Models in Automation and Robotics, MMAR 2017,
  4. Stief, A., Ottewill, J.R., Orkisz, M., Baranowski, J.
    Two stage data fusion of acoustic, electric and vibration signals for diagnosing faults in induction motors
    (2017) Elektronika ir Elektrotechnika,
  5. Bania, P., Baranowski, J.
    Field Kalman Filter and its approximation
    (2016) 2016 IEEE 55th Conference on Decision and Control, CDC 2016,
  6. Chilinski, J., Bauer, W., Baranowski, J.
    Bayesian analysis of EEG signal frequency components
    (2016) 2016 21st International Conference on Methods and Models in Automation and Robotics, MMAR 2016,
Informacje dodatkowe:

-