Předmět je zaměřen na výklad a praktické využití bayesovských metod při řešení statistických úloh. Bayesovský přístup ke statistice je starší než klasické metody, ale širšího použití se dočkal až díky nedávnému rozvoji numerických metod, díky kterým se stal použitelný pro řešení širokého spektra pra
Předmět je zaměřen na výklad a praktické využití bayesovských metod při řešení statistických úloh. Bayesovský přístup ke statistice je starší než klasické metody, ale širšího použití se dočkal až díky nedávnému rozvoji numerických metod, díky kterým se stal použitelný pro řešení širokého spektra praktických úloh. Zastánci tohoto přístupu argumentují jeho solidnějšími filozofickými základy a snadnějším použitím výstupů ve vědě i v praktických úlohách. Každou úlohu řešitelnou klasickou statistikou lze řešit pomocí bayesovského přístupu, opačně to ale neplatí. Dnes již bayesovský přístup dosahuje významného podílu na nově publikovaných vědeckých článcích z oboru statistiky a je často preferovanou volbou v mnoha aplikovaných oborech.
Studenti se seznámí s bayesovským pojetím statistiky a úsudky založenými na subjektivním pojetí pravděpodobnosti. Díky praktickému zaměření kurzu se studenti naučí samostatně řešit reálné úlohy pomocí jednoduchých bayesovských modelů. Studenti si osvojí základní znalosti, jak navrhovat modely pro různé úlohy, jak volit apriorní rozdělení a jak posuzovat kvalitu odhadnutých modelů.
• Subjektivní pojetí pravděpodobnosti • Bayesovské úsudky a učení • Volba apriorního rozdělení • Bayesovské výpočty • Metody Monte Carlo, Markovské řetězce • Posuzování kvality modelu • Regresní bayesovské modely • Bayesovské modely časových řad • Modely pro kategoriální data • Hierarchické modely
Základní:
Doporučená příprava:
Používej Markdown: ## Nadpis, **tučně**, `kód`, - odrážky, > citace