Arcadia AI — магистратура
Программа  /  Семестр 1 — AI Foundations
Курс

ТеорВер и МатСтат для ML: байесовский вывод, оценки, бутстрап

Вероятностное мышление и статистический вывод как основа обоснованных выводов в ML

ДИ
Диля

О курсе

Курс формирует строгое понимание теории вероятностей и математической статистики в контексте машинного обучения. Основной акцент — байесовский вывод, оценка параметров и проверка гипотез; изучаются методы, обеспечивающие воспроизводимость и корректную интерпретацию результатов. Курс напрямую питает модули по Reliable ML и байесовскому ML в третьем семестре.

Чему научитесь

Строить байесовские модели с выбором осмысленных приоров и выводом апостериорных распределений
Применять bootstrap и доверительные интервалы для количественной оценки неопределённости
Корректно интерпретировать статистическую значимость и избегать типичных ошибок p-value
Оценивать параметры моделей методом MLE и сравнивать модели с помощью информационных критериев

Ключевые темы

Аксиоматика Колмогорова, условная вероятность и независимость
Основные распределения и их свойства
Центральная предельная теорема и закон больших чисел
Максимальное правдоподобие (MLE) и метод моментов
Байесовский вывод: приоры, апостериор, MAP
Доверительные интервалы и bootstrap
Проверка гипотез: p-value, FDR, multiple testing
Информационные критерии (AIC, BIC) и Байесовский информационный критерий
Концентрационные неравенства (Hoeffding, Bernstein)
Описание сгенерировано автоматически и ещё не проверено преподавателем — это черновик для обсуждения.