Računarska statistika

Opis predmeta

Upoznavanje sa suvremenim računalnim metodama koje se koriste u situacijama u kojima klasične statističke metode nisu primjenjive (npr. bootstrap), te kada se želi ispitati ponašanje, robusnost ili prediktivnost neke metode ili modela (npr. za procjenu pogreške predikcije bagged klasifikacijskim stablima).

Ishodi učenja

  1. Razlikovati generatore slučajnih brojeva
  2. Definirati i dizajnirati Monte Carlo experimente
  3. Primijeniti Monte Carlo metode procjene
  4. Objasniti principe grafičkih metoda u računalnoj statistici
  5. Primijeniti metode ponovnog uzorkovanja
  6. Primijeniti metode statističkog učenja na stvarne probleme

Oblici nastave

Predavanja

Samostalni zadaci

Laboratorij

Tjedni plan nastave

  1. (en) Markov Chain Monte Carlo sampling methods: Gibbs sampling and the Metropolis-Hastings algorithm
  2. (en) Markov Chain Monte Carlo sampling methods: Gibbs sampling and the Metropolis-Hastings algorithm
  3. (en) Monte Carlo inference (rejection sampling, importance sampling)
  4. (en) Monte Carlo inference (rejection sampling, importance sampling)
  5. Neparametarska estimacija gustoće (estimacija gustoće. uloga propusnosti. više dimenzije)
  6. Klasifikacija metoda ponovnog uzorkovanja: randomizacija (egzaktna i aproksimativna). Jackknife. Bootstrap. Kros-validacija
  7. Bootstrap (Efronov neparametarski bootstrap. dvostruki bootstrap. bootstrap zasnovan na modelu)
  8. Međuispit
  9. Bootstrap (Efronov neparametarski bootstrap. dvostruki bootstrap. bootstrap zasnovan na modelu)
  10. Neparametarska regresija (zrnati estimator regresije. lokalno polinomijalni neparametarski estimator regresije. izglađivanje splajnova i penalizirana regresija)
  11. Neparametarska regresija (zrnati estimator regresije. lokalno polinomijalni neparametarski estimator regresije. izglađivanje splajnova i penalizirana regresija)
  12. Fleksibilna regresija i klasifikacija (aditivni modeli. regresija potrage za projekcijom. klasifikacijska i regresijska stabla. odabir varijabli. regularizacija. Ridge i Lasso)
  13. Fleksibilna regresija i klasifikacija (aditivni modeli. regresija potrage za projekcijom. klasifikacijska i regresijska stabla. odabir varijabli. regularizacija. Ridge i Lasso)
  14. Bagging i boosting
  15. Završni ispit

Studijski programi

Sveučilišni diplomski
Audiotehnologije i elektroakustika (profil)
Slobodni izborni predmeti (2. semestar)
Automatika i robotika (profil)
Slobodni izborni predmeti (2. semestar)
Elektroenergetika (profil)
Slobodni izborni predmeti (2. semestar)
Elektroničko i računalno inženjerstvo (profil)
Slobodni izborni predmeti (2. semestar)
Elektronika (profil)
Slobodni izborni predmeti (2. semestar)
Elektrostrojarstvo i automatizacija (profil)
Slobodni izborni predmeti (2. semestar)
Informacijsko i komunikacijsko inženjerstvo (profil)
Slobodni izborni predmeti (2. semestar)
Komunikacijske i svemirske tehnologije (profil)
Slobodni izborni predmeti (2. semestar)
Programsko inženjerstvo i informacijski sustavi (profil)
Slobodni izborni predmeti (2. semestar)
Računalno inženjerstvo (profil)
Slobodni izborni predmeti (2. semestar)
Računalno modeliranje u inženjerstvu (profil)
Slobodni izborni predmeti (2. semestar)
Računarska znanost (profil)
Slobodni izborni predmeti (2. semestar)
Znanost o mrežama (profil)
Slobodni izborni predmeti (2. semestar)
Znanost o podacima (profil)
Izborni predmeti profila (2. semestar)

Literatura

(.), J. E. Gentle, Elements of Computational Statistics, Springer Verlag, New York, 2002.,
(.), 1. L. Devroye, Non-Uniform Random Variate Generation, Springer Verlag, 1986.,
(.), 2. C. R. Rao, Handbook of Statistics, Vol. 9: Computational Statistics, North Holland, 1993.,
(.), 3. T. Hasti, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, Springer Verlag, 2001.,
(.), 4. A. C. Davison, D. V. Hinkley, Bootstrap Methods and Their Application, Cambridge University Press, 1997.,

Za studente

Izvedba

ID 222761
  Ljetni semestar
5 ECTS
R3 Engleski jezik
R1 E-učenje
45 Predavanja
15 Laboratorijske vježbe

Ocjenjivanje

izvrstan
vrlo dobar
dobar
dovoljan