Marmara Üniversitesi
Marmara Üniversitesi Eğitim-Öğretim Bilgi Sistemi

Programlar Hakkında Bilgi

Doktora - Fen Bilimleri Enstitüsü - Matematik

Müfredat Adı Ders Kodu Ders Adı Ders Türü Dönem AKTS Teorik Uygulama
Doktora - 2015 IST8054 Bayesgil Çıkarım ve Parametre Kestirimi II Seçmeli 2 8,00 3 0

Dersin İçeriği

Dersin Amacı

Bu dersin amacı, doktora öğrencilerine genel tahmin ve tespit problemlerini titiz bir Bayes perspektifinden ele almak için birkaç önemli araç sağlamaktır. Bayesci istatistiklerin ardındaki felsefeyi, önsellerin yararlarını ve tuzaklarını, içsel hesaplama zorluklarını, klasik ve modern çıkarım araçlarını anlatacağız

Öğrenim Türü

-

Dersin İçeriği

Kurs, normal ve binom dağılımlarına dayananlar gibi basit modellerin tedavisi ile başlar. Tekli ve çok parametreli modeller için konjuge ve bilgilendirici olmayan önsel kavramlar gösterilmiştir. Hiyerarşik modellerin ve doğrusal resesyon modellerinin temel tedavisi de kapsanmaktadır. Gibbs örnekleyicisi ve Metropolis-Hastings algoritmaları gibi Bayes hesaplama yöntemleri kısaca bunların uygulanması ve basit vakalarda kullanımı üzerinde durularak sunulmaktadır.

Planlanan Öğrenme Aktiviteleri ve Metodları

sunum ve ev ödevi

Staj Durumu

yok

Dersin Sunulduğu Dil

Türkçe

Ders Kitabı / Malzemesi / Önerilen Kaynaklar

1. Peter D. Hoff (2009) A First Course in Bayesian Statistical Methods, Springer. 2. J. Albert (2007) Bayesian Computation with R, Springer. 3. R. Christensen, W. Johnson, A. Branscum, T. E. Hanson (2010) Bayesian Ideas and Data Analysis: An Introduction for Scientists and Statisticians, CRC Press. 4. Albert, J. (2009). Bayesian Computation with R. (Second edition). Springer, New York. 5. Ghosh, J.K., Delampady, M., Tapas, S. (2006). An Introduction to Bayesian Analysis. Springer, New York. 6. Hoff, P.D. (2009). A First Course in Bayesian Statistical Methods. Springer, New York. 7. Lee, P. (2004). Bayesian Statistics: an Introduction. Oxford University Press, New York.

Dersin Web Sayfası

yok

Öğrenme Çıktıları

  • Bayes karar teorisinin prensiplerini ve belirli bir maliyet fonksiyonunu kullanarak bir çıkarım algoritması geliştirmek
  • Farklı türlerde tahmin ve tespit problemlerini çözmek için Bayes istatistikleri uygulamak.
  • Önsel bilgi ve hesaplama kısıtlamalarına dayanarak uygun bir ön seçim yapmak.
  • Markov zinciri Monte Carlo (MCMC) yöntemlerini tasarlama ve ortalama sonsal integralleri hesaplamak
  • Temel performans sınırlarını türetmek ve hangi koşullar altında geçerli olduklarını bilmek

Haftalık Ayrıntılı Ders İçeriği

Hafta Teorik
1 Hazırlıklar; Bayes Çıkarımına Genel Bakış ve Temel Bilgiler
2 Mathematica bilgi işlem ortamına ve diline giriş;
3 Temel Bayes hesaplama
4 Bayes doğrusal modellerinin teorisi
5 Mathematica Hiyerarşik Modellemede Bayes Doğrusal Modeller
6 Markov zinciri Monte Carlo (MCMC) yöntemleri;
7 Ders Çalışma Haftası
8 Ara Sınav Haftası
9 Bayes Model Eleştirisi ve Seçimi
10 Ampirik Bayes yöntemleri: nokta ve aralık tahminleri, frekanscı karşılaştırmalar
11 Klinik araştırmalar için Bayesci tasarımlar
12 Hiyerarşik boyuna ve zaman serisi modelleri
13 Bayes parametrik olmayan regresyon
14 Yüksek boyutlu problemler için Bayesci çıkarım
15 Bayes istatistiklerinde vaka çalışmaları
16 Ders Çalışma Haftası
17 Yarı Yıl Sonu Sınavı

Değerlendirme

Değerlendirme Değer
Yarıyıl (Yıl) İçi Etkinlikleri 50
Yarıyıl (Yıl) Sonu Etkinlikleri 50
Yarıyıl (Yıl) Sonu Etkinlikleri Değer
Final Sınavı 100

Öğrenci İş Yükü Hesabı

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ders Öncesi/Sonrası Bireysel Çalışma 30 4 120
Proje ve Hazırlığı 1 20 20
Ödev ve Hazırlığı 0 0 0
Laboratuvar ve Hazırlığı 0 0 0
Atölye ve Hazırlığı 0 0 0
Sunum ve Hazırlığı 0 0 0
Seminer ve Hazırlığı 1 15 15
Demo ve Hazırlığı 0 0 0
Araştırma ve Hazırlığı 0 0 0
Rapor ve Hazırlığı 0 0 0
Arasınav ve Hazırlığı 1 20 20
Kısa Sınav ve Hazırlığı 0 0 0
Final ve Hazırlığı 1 20 20
Teorik Ders Saati 0 0 0
Uygulama Ders Saati 0 0 0

Program ve Öğrenme Çıktıları İlişkisi

ÖÇ1
ÖÇ2
ÖÇ3
ÖÇ4
ÖÇ5