312.232 (24S) Bayesian Computing

Sommersemester 2024

Anmeldefrist abgelaufen.

Erster Termin der LV
07.03.2024 11:00 - 14:00 S.1.05 On Campus
... keine weiteren Termine bekannt

Überblick

Lehrende/r
LV-Titel englisch Bayesian Computing
LV-Art Vorlesung-Übung (prüfungsimmanente LV )
LV-Modell Präsenzlehrveranstaltung
Semesterstunde/n 3.0
ECTS-Anrechnungspunkte 4.5
Anmeldungen 19 (30 max.)
Organisationseinheit
Unterrichtssprache Englisch
LV-Beginn 07.03.2024
eLearning zum Moodle-Kurs

Zeit und Ort

Liste der Termine wird geladen...

LV-Beschreibung

Intendierte Lernergebnisse

Aim: Getting knowledge of the most important and well-known computational methods from Bayesian statistics, like Metropolis-Hastings-, Importance Sampling-,  Gibbs Sampling-, INLA-, Neal-, Reversible-Jump Algorithm, and implementing and using those for a diverse set of statistical problems.

Lehrmethodik

Lectures and exercises. Presence is needed.

Inhalt/e

Bayes Theorem

Metropolis-Hastings-Algorithm

Gibbs-Sampling

Revesible Jump Algorithm

INLA,

Neal's Algorithm for nonparametric Dirichlet process priors.

Erwartete Vorkenntnisse

Bayesian Statistics and/or Decision Theory

Link auf weitere Informationen

Skript in Moodle

Prüfungsinformationen

Im Fall von online durchgeführten Prüfungen sind die Standards zu beachten, die die technischen Geräte der Studierenden erfüllen müssen, um an diesen Prüfungen teilnehmen zu können.

Prüfungsmethode/n

Oral examination at the end of semester, exercises from week to week, contributions of students during lecture/exercise


Prüfungsinhalt/e

Topics of the lectures/exercises

Beurteilungskriterien/-maßstäbe

To pass the exam 50% of the questions during oral examination  must be answered with "sehr gut", 50% of the exercises must have been done, the student should contribute during discussions and not be absent more than 2 times.

Negative partial performance is allowed to be repeated.

Beurteilungsschema

Note Benotungsschema

Position im Curriculum

  • Masterstudium Mathematics (SKZ: 401, Version: 18W.1)
    • Fach: Applied Analysis (Wahlfach)
      • Lehrveranstaltungen aus anderen Vertiefungsfächern ( 0.0h XX / 6.0 ECTS)
        • 312.232 Bayesian Computing (3.0h VU / 4.5 ECTS)
  • Masterstudium Mathematics (SKZ: 401, Version: 18W.1)
    • Fach: Applied Statistics (Wahlfach)
      • Weitere fachbezogene Lehrveranstaltungen ( 0.0h XX / 12.0 ECTS)
        • 312.232 Bayesian Computing (3.0h VU / 4.5 ECTS)
  • Masterstudium Mathematics (SKZ: 401, Version: 18W.1)
    • Fach: Discrete Mathematics (Wahlfach)
      • Lehrveranstaltungen aus anderen Vertiefungsfächern ( 0.0h XX / 6.0 ECTS)
        • 312.232 Bayesian Computing (3.0h VU / 4.5 ECTS)
  • Masterstudium Mathematics (SKZ: 401, Version: 18W.1)
    • Fach: Applied Mathematics (Wahlfach)
      • Lehrveranstaltungen aus den Vertiefungsfächern ( 0.0h XX / 12.0 ECTS)
        • 312.232 Bayesian Computing (3.0h VU / 4.5 ECTS)
  • Masterstudium Mathematics (SKZ: 401, Version: 22W.1)
    • Fach: Statistics and Probability (Wahlfach)
      • 6.1 Bayesian Computing ( 3.0h VU / 4.5 ECTS)
        • 312.232 Bayesian Computing (3.0h VU / 4.5 ECTS)
          Absolvierung im 1., 2., 3. Semester empfohlen
  • Masterstudium Mathematics (SKZ: 401, Version: 22W.1)
    • Fach: Applied Mathematics (Wahlfach)
      • 7.1 Wahl von weiteren Lehrveranstaltungen aus den Vertiefungsfächern ( 0.0h XX / 12.0 ECTS)
        • 312.232 Bayesian Computing (3.0h VU / 4.5 ECTS)
          Absolvierung im 2., 3. Semester empfohlen

Gleichwertige Lehrveranstaltungen im Sinne der Prüfungsantrittszählung

Diese Lehrveranstaltung ist keiner Kette zugeordnet