Skip to Main Content (Press Enter)

Logo UNIFE
  • ×
  • Home
  • Corsi
  • Insegnamenti
  • Professioni
  • Persone
  • Pubblicazioni
  • Strutture

UNI-FIND
Logo UNIFE

|

UNI-FIND

unife.it
  • ×
  • Home
  • Corsi
  • Insegnamenti
  • Professioni
  • Persone
  • Pubblicazioni
  • Strutture
  1. Insegnamenti

134772 - BAYESIAN INFERENCE

insegnamento
ID:
134772
Tipo Insegnamento:
Opzionale
Durata (ore):
54
CFU:
6
SSD:
ASTRONOMIA E ASTROFISICA
Url:
Dettaglio Insegnamento:
FISICA/PERCORSO COMUNE Anno: 1
Anno:
2024
  • Dati Generali
  • Syllabus
  • Corsi
  • Persone

Dati Generali

Periodo di attività

Primo Semestre (16/09/2024 - 20/12/2024)

Syllabus

Obiettivi Formativi

L'obiettivo dell'insegnamento è quello di fornire delle conoscenze di base e avanzate sulla statistica bayesiana e sullla sua applicazione a problemi di inferenza. Durante l'insegnamento, si farà riferimento ad esempi tratti da applicazioni reali nel campo della ricerca. Si mira inoltre, nella parte finale del corso, a fornire un'introduzione al machine learning e in particolare alle reti neurali.
Al termine dell'insegnamento, le studentesse e gli studenti saranno in grado di applicare la statistica bayesiana per risolvere problemi di inferenza, per esempio per stimare i parametri di un modello a partire dai dati sperimentali.

Prerequisiti

Conoscenza di base della statistica classica. La conoscenza di un linguaggio di programmazione (es. Python) è utile per seguire le lezioni pratiche ma non necessaria.

Metodi didattici

Il corso consiterà di lezioni frontali alla lavagna (circa i 2/3) e di esercitazioni pratiche (1/3). Tutto il materiale verrà messo a disposizione. La forma della lezione è volutamente interlocutoria, le domande da parte degli studenti sono sollecitate e molto utili all'efficacia delle spiegazioni.

Verifica Apprendimento

Colloquio orale, aiutandosi con fogli, oppure alla lavagna, a scelta dell'esaminando/a. Durata tipica, da 30 a 45 minuti.

Testi

- D. J. C. McKay, "Information Theory, Inference and Learning Algorithms" (Cambridge University Press)
- A. Gelman, J.B. Carlin, H.S. Stern, D. B. Dunson, A. Vehtari, D. B. Rubin, "Bayesian Data Analysis" (3rd Edition), (Chapman and Hall)
- M. P. Hobson, A. H. Jaffe, A. R. Liddle, P. Mukherjee, D. Parkinson, "Bayesian Methods in Cosmology", Cambridge University Press.

Contenuti

Fondamenti di teoria della probabilità e inferenza.
Modelli a parametro singolo e a parametri multipli.
Modelli gerarchici.
Metodi numerici: Monte Carlo con catene di Markov.
Confronto tra modelli e rasoio di Occam.
Introduzione al machine learning e alle reti neurali. Processi Gaussiani.

Lingua Insegnamento

INGLESE

Corsi

Corsi

FISICA 
Laurea Magistrale
2 anni
No Results Found

Persone

Persone (2)

Brinckmann Thejs Ehlert
Settore PHYS-05/A - Astrofisica, cosmologia e scienza dello spazio
AREA MIN. 02 - Scienze fisiche
Gruppo 02/PHYS-05 - ASTROFISICA E COSMOLOGIA, FISICA DELLO SPAZIO, DELLA TERRA E DEL CLIMA
Ricercatori a tempo determinato - Tipo A
LATTANZI Massimiliano
Docenti
No Results Found
  • Utilizzo dei cookie

Realizzato con VIVO | Designed by Cineca | 25.4.2.0