FY823: Bayesiansk inferens og informationsteori (5 ECTS)

STADS: 07013201

Niveau
Kandidatkursus

Undervisningsperiode
Kurset er placeret i forårssemesteret.

Ansvarlige undervisere
Email: mlomholt@sdu.dk

Yderligere undervisere
krog@sdu.dk

Skemaoplysninger
Vis hele skemaet
Vis personligt skema for dette kursus.

Indgangskrav:
Ingen

Faglige forudsætninger:
Studerende, der følger kurset, forventes at:

• Have kendskab til sandsynlighedsteori.

Formål
BEMÆRK at kursets undervisningsform er speciel – se uddybbende beskrivelse af undervisningsformer nedenfor.

Kurset har til formål at give den studerende et kendskab til den Bayesiansk måde at tænke på og løse inferensproblemer samt tankerne bag informationsteori (Bayesiansk inferens er en metode hvor almindelig sandsynlighedsteori udvides til at kunne vurdere f.eks. plausibilitet af hypoteser, og udgør dermed et alternativ til ortodoks statistik. Informationsteori omhandler effektiv lagring og kommunikation af data).

Kurset giver et fagligt fundament for at anvende Bayesianske metoder til at analysere data, som f.eks. kan være opnået via eksperimenter, simuleringer eller registreringer. Dette kan bl.a. anvendes i projekter i resten af uddannelsen. Kurset givet også et kendskab til sammenhængen mellem informationsteori og begrebet entropi i statistisk fysik.

I forhold til uddannelsens kompetenceprofil har kurset eksplicit fokus på at:

• give færdigheder i at analysere data og vurdere plausibilitet af forskellige fysiske teorier
• give grundlæggende viden om og forståelse af Bayesiansk inferens og informationsteori
• evne til at kunne tilegne sig ny viden på en effektiv og selvstændig måde og formidle denne viden til fagfæller

Målbeskrivelse
For at opnå kursets formål er det læringsmålet for kurset, at den studerende demonstrerer evnen til at:

• Selvstændigt tilegne sig den viden om Bayesiansk inferens og informationsteori der er beskrevet under Indhold
• Løse opgaver om fitting af parametre og modeludvælgelse
• Præsentere teori og opgaver
• Anvende den tillærte viden indenfor et selvvalgt emne (afsluttende projekt)

Indhold
Kurset indeholder følgende faglige hovedområder:

• Fortolkning af sandsynlighed
• Modeludvælgelse
• Fitning af parametre
• Bayes’ sætning
• Shannon entropi
• Kodningsteori

Litteratur

• David J. C. Mackay: Information Theory, Inference, and Learning Algorithms, Cambridge University Press.

Kursets hjemmeside
Dette kursus benytter e-learn (blackboard).

Forudsætningsprøver

1. Aktiv deltagelse i undervisningen. Bestået/ikke-bestået, intern censur ved underviser. Forudsætningsprøven er en forudsætning for deltagelse i eksamenselement a). (07013212).

Eksamen- og censurform:

1. Mundtlig eksamen. Intern censur, bestået/ikke-bestået. Eksamen tager udgangspunkt i en skriftlig rapport over det afsluttende projekt, og har form af en præsentation med efterfølgende spørgsmål. (5 ECTS). (07013202).

Vejledende timetal
På naturvidenskab er undervisningen tilrettelagt efter trefasemodellen dvs. intro, trænings- og studiefasen.
Introfase: 16 timer
Træningsfase: 15 timer, heraf:
 - Eksaminatorie: 15 timer

Aktiviteter i studiefasen

• Studie af lærebog
• Løsning af opgaver
• Forberedelse af fremlægninger
• Udførelse af projekt

Undervisningsform
Undervisningsformen er bygget op omkring at det er de studerende der skal præsentere stoffet for hinanden. Til hver dobbelttime vil der typisk være 3 studerende der hver bruger ca. 10 minutter på at fremlægge et afsnit fra lærebogen (introfase), samt 3 studerende der hver fremlægger en opgave (træningsfase). Imellem dobbelttimerne står underviserne til rådighed hvis dem der skal fremlægge har spørgsmål til deres stof eller opgave. På grund af det ekstra arbejde med af forberede fremlæggelserne er antallet af klassetimer mindre end sædvanligt.

Sprog
Dette kursus undervises på engelsk, hvis der deltager internationale studerende, ellers undervises på dansk.

Kursustilmelding
Se tilmeldingsfrister.

Pris for åben uddannelse
Se priser for enkeltkurser.

Denne kursusbeskrivelse var gyldig fra 1. februar 2018 til 31. januar 2019.