Probabilistic modeling
A.A. 2020/2021
Obiettivi formativi
The course of probabilistic modelling aims at enriching the student's choice of methodological tools for data analysis with advanced topics that are not covered by other courses, namely graphical models. In particular, in the graphical modelling module, students will gain knowledge of techniques that provide an elegant framework to compactly represent complex real-wold phenomena, also when the number of variables involved is high.
Risultati apprendimento attesi
Students of this course will acquire a thorough understanding of the theory behind graphical models and the ability to apply these tools to real datasets, through the introduction to specific packages of the R software. In particular, they are required to perform an empirical analysis, using one method from the ones discussed in the class at their choice, proving their comprehension of the topics and their ability to apply them and to discuss and report the results.
Periodo: Secondo trimestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Periodo
Secondo trimestre
Le lezioni saranno tenute sulla piattaforma Microsoft Teams seguendo la programmazione ufficiale del corso (modalità sincrona). Le lezioni saranno comunque registrate e messe a disposizione via streaming sulla piattaforma Microsoft Teams (modalità asincrona). Il programma e il libri di riferimento rimarranno invariati.
Programma
Modulo I: Graphical models.
Introduzione; modelli grafici per variabili categoriche; modelli grafici gaussiani; Bayesian network; modelli di interazione misti; High dimensional Modelling
Introduzione; modelli grafici per variabili categoriche; modelli grafici gaussiani; Bayesian network; modelli di interazione misti; High dimensional Modelling
Prerequisiti
Si assume che gli studenti abbiano familiarità con i concetti e principi fondamentali delle discipline statistiche (stimatori e loro proprietà per campioni finiti o asintotiche, test e intervalli di confidenza, etc.) e del calcolo delle probabilità (variabili casuali, distribuzioni, legge dei grandi numeri e teorema centrale del limite)
Metodi didattici
Il corso si svolgerà in parte attraverso didattica frontale e in parte in laboratori o con l'ausilio di strumenti informatici
Materiale di riferimento
Højsgaard, Søren, David Edwards, and Steffen Lauritzen. Graphical models with R. Springer Science & Business Media, 2012.
Whittaker, Joe. Graphical models in applied multivariate statistics. Wiley Publishing, 2009.
Koller, D., & Friedman, N. (2009). Probabilistic graphical models: principles and techniques. MIT press.
Whittaker, Joe. Graphical models in applied multivariate statistics. Wiley Publishing, 2009.
Koller, D., & Friedman, N. (2009). Probabilistic graphical models: principles and techniques. MIT press.
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste nella preparazione e discussione di un report, su un argomento a scelta dello studente, tra quelli svolti in uno dei due moduli.
La valutazione finale sarà completata da un breve esame orale riguardante gli argomenti del modulo escluso dal report.
La struttura del report deve essere quella di un breve articolo, nel quale lo studente mostri di essere in grado di applicare a problemi e dati reali le tecniche acquisite durante il corso. L'argomento del report sarà definito dagli studenti sulla base delle loro preferenze e interessi, ma soggetto ad approvazione da parte del docente del modulo scelto
La valutazione finale sarà completata da un breve esame orale riguardante gli argomenti del modulo escluso dal report.
La struttura del report deve essere quella di un breve articolo, nel quale lo studente mostri di essere in grado di applicare a problemi e dati reali le tecniche acquisite durante il corso. L'argomento del report sarà definito dagli studenti sulla base delle loro preferenze e interessi, ma soggetto ad approvazione da parte del docente del modulo scelto
SECS-S/01 - STATISTICA - CFU: 6
Lezioni: 40 ore
Docente:
Nicolussi Federica