Budapesti Műszaki és Gazdaságtudományi Egyetem Természettudományi Kar |
Tantárgy Adatlap |
Tantárgy kód | BMETE91MC26 |
Tantárgy azonosító adatok | |||||||||
1. | A tárgy címe | Bayesiánus modellezés MC | |||||||
2. | A tárgy angol címe | Bayesian Modeling MC |
3. | Heti óraszámok (ea + gy + lab) és a félévvégi követelmény típusa | 0 | + | 2 | + | 0 | f | Kredit | 3 |
4. | Ajánlott/kötelező előtanulmányi rend | ||||||||
vagy | Tantárgy kód 1 | Rövid cím 1 | Tantárgy kód 2 | Rövid cím 2 | Tantárgy kód 3 | Rövid cím 3 | |||
4.1 | |||||||||
4.2 | |||||||||
4.3 | |||||||||
5. | Kizáró tantárgyak | ||||||||
6. | A tantárgy felelős tanszéke | Algebra és Geometria Tanszék | |||||||
7. | A tantárgy felelős oktatója | Dr. Molnár Zoltán Gábor | beosztása | adjunktus |
Akkreditációs adatok | ||||
8. | Akkreditációra benyújtás időpontja | 2023.09.26. | Akkreditációs bizottság döntési időpontja | 2023.10.10. |
Tematika | |||||||||
9. | A tantárgy az alábbi témakörök ismeretére épít | ||||||||
10. | A tantárgy szerepe a képzés céljának megvalósításában (szak, kötelező, kötelezően választható, szabadon választható) | ||||||||
TTK Számítógépes és kognitív idegtudomány szak kötelezően választható tárgya, más képzéseken szabadon választható tárgy |
|||||||||
11. | A tárgy részletes tematikája | ||||||||
Komputációs és funkcionális paradigma, determinisztikus algoritmusok, állítás mint adattípus. Sztochasztikus jelenségek, a valószínűségelmélet bayesiánus megalapozása. Bevezetés a valószínűségi programozásba néhány valószínűségi programnyelv segítségével. Bayes- és Jeffrey-frissítés, prior és poszterior eloszlások. Likelihood függvény és konjugált priorok. Informatív és nem informatív priorok. Többváltozós valószínűségi eloszlások faktorizációja és a gráfmodell reprezentáció. Generatív modell. Gyakorlati példák grafikus modellekre és ezek beprogramozása. Markov-lánc Monte Carlo eljárás és inferálási algoritmusok. Hierarchikus modellek. Bayes-féle adatelemzés, agymodellezés és pszichometrikus elemzés. Bayes-faktor és kiszámítása. Modell összehasonlítás és validáció. BIC, AIC és Kullback–Leibler-divergencia. Computational and functional paradigms, deterministic algorithms, propositions as data type. Stochastic phenomena, Bayesian foundations of probability theory. Introduction to probabilistic programming using several probabilistic programming languages. Bayes and Jeffrey updates, prior and posterior distributions. Likelihood function and conjugate priors. Informative and non-informative priors. Factorization of joint probability distributions and graphical representation. Generative models. Practical examples of graphical models and their implementation. Markov Chain Monte Carlo method and inference algorithms. Hierarchical models. Bayesian data analysis, Bayesian inner modeling, and Bayesian psychometric analysis. Bayes' factor and how to compute it. Model comparison and validation. BIC, AIC, and Kullback-Leibler divergence. |
|||||||||
12. | Követelmények, az osztályzat (aláírás) kialakításának módja | ||||||||
szorgalmi időszakban |
Órai részvétel, kötelező feladatbeadás vagy kiselőadás | vizsga- időszakban |
– | ||||||
13. | Pótlási lehetőségek | ||||||||
TVSZ szerint |
|||||||||
14. | Konzultációs lehetőségek | ||||||||
Megbeszélés szerint |
|||||||||
15. | Jegyzet, tankönyv, felhasználható irodalom | ||||||||
Lee, M.D., & Wagenmakers, E. (2014). Bayesian Cognitive Modeling: A Practical Course. |
|||||||||
Kruschke, J.K. (2014). Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan. |
|||||||||
https://probmods.org/ |
|||||||||
16. | A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka mennyisége órákban (a teljes szemeszterre számítva) | ||||||||
16.1 | Kontakt óra | 28 |
|||||||
16.2 | Félévközi felkészülés órákra | 28 |
|||||||
16.3 | Felkészülés zárthelyire | 0 |
|||||||
16.4 | Zárthelyik megírása | 0 |
|||||||
16.5 | Házi feladat elkészítése | 34 |
|||||||
16.6 | Kijelölt írásos tananyag elsajátítása (beszámoló) | 0 |
|||||||
16.7 | Egyéb elfoglaltság | 0 |
|||||||
16.8 | Vizsgafelkészülés | 0 |
|||||||
16.9 | Összesen | 90 |
|||||||
17. | Ellenőrző adat | Kredit * 30 | 90 |
A tárgy tematikáját kidolgozta | |||||||||
18. | Név | beosztás | Munkahely (tanszék, kutatóintézet, stb.) | ||||||
Dr. Babarczy Anna |
egyetemi docens |
Kognitív Tudományi Tanszék |
|||||||
Dr. Molnár Zoltán Gábor |
adjunktus |
Algebra és Geometria Tanszék |
|||||||
A tanszékvezető | |||||||||
19. | Neve | aláírása | |||||||
Dr. G. Horváth Ákos |