TeoVer i MatStat za ML: bajesovsko zaključivanje, ocene, butstrap

O kursu

Kurs gradi rigorozno razumevanje teorije verovatnoće i matematičke statistike u kontekstu mašinskog učenja. Glavni akcenat je na bajesovskom zaključivanju, oceni parametara i testiranju hipoteza; izučavaju se metode koje obezbeđuju reproducibilnost i korektnu interpretaciju rezultata. Kurs direktno napaja module Reliable ML i bajesovskog ML u trećem semestru.

Šta ćete naučiti

✓Graditi bajesovske modele uz izbor smislenih priora i izvođenje posteriornih raspodela

✓Primenjivati butstrap i intervale poverenja za kvantitativnu procenu neizvesnosti

✓Korektno tumačiti statističku značajnost i izbegavati tipične greške p-vrednosti

✓Ocenjivati parametre modela metodom MLE i upoređivati modele pomoću informacionih kriterijuma

Ključne teme

•Kolmogorovljeva aksiomatika, uslovna verovatnoća i nezavisnost

•Osnovne raspodele i njihova svojstva

•Centralna granična teorema i zakon velikih brojeva

•Maksimalna verodostojnost (MLE) i metod momenata

•Bajesovsko zaključivanje: priori, posteriorna raspodela, MAP

•Intervali poverenja i butstrap

•Testiranje hipoteza: p-vrednost, FDR, multiple testing

•Informacioni kriterijumi (AIC, BIC) i Bajesovski informacioni kriterijum

•Koncentracione nejednakosti (Hoeffding, Bernstein)

Opis je automatski generisan i predavač ga još nije proverio — ovo je nacrt za diskusiju.

O kursu

Šta ćete naučiti

Ključne teme

Povratne informacije