• Εισαγωγή.
• Εκτίμηση πυκνότητας ή μάζας πιθανότητας και εφαρμογές (Kernel density estimation). Μη παραμετρική παλινδρόμηση.
• Στοχαστική Προσομοίωση. Μέθοδοι Παραγωγής Τυχαίων Μεταβλητών: Μέθοδος Αντιστροφής, Μέθοδος Απόρριψης. Τεχνικές Ελάττωσης Διασποράς: Μέθοδος “hit and miss”, Δειγματοληψία Σπουδαιότητας.
• Μέθοδοι Επαναδειγματοληψίας: Bootstrap, Jackknife.
• Cross-validation.
• Στοχαστική Βελτιστοποίηση: Genetic Algorithm, Simulated Annealing, Tabu Search.
• Ο αλγόριθμος EM.
• Μέθοδοι Επιλογής Επεξηγηματικών Μεταβλητών σε Προβλήματα Γραμμικής Παλινδρόμησης. Μέθοδοι Συρρίκνωσης: Ridge, Lasso.
- Διδάσκων: Δημήτριος Φουσκάκης
Συνδιδασκαλία: 3641
Διδακτικές Μονάδες : 5
Γλώσσα : el
Μαθησιακά Αποτελέσματα : Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση να:
• Αντιλαμβάνεται την χρησιμότητα καθώς και την μαθηματικά θεμελιωμένη μεθοδολογία των υπολογιστικών στατιστικών μεθόδων που διδάχτηκε και σε ποια προβλήματα μπορεί να τις εφαρμόσει.
• Κατανοήσει πλήρως ποια είναι η σημασία καθώς και η αναγκαιότητα των εν λόγω μεθόδων σε διάφορα προβλήματα στατιστικής ανάλυσης δεδομένων.
• Εξηγήσει τα αποτελέσματα που θα λάβει μετά την υλοποίηση των εν λόγω τεχνικών με απλά λόγια.
• Υπολογίσει και να υλοποιήσει με την βοήθεια της γλώσσας R τις μεθόδους που έχει διδαχτεί, χρησιμοποιώντας έτοιμα πακέτα ή δημιουργώντας δικές του συναρτήσεις.
• Γενικεύσει και να συνδυάσει τις μεθόδους που έχει διδαχτεί.
• Οδηγείται με συγκροτημένο και εύληπτο τρόπο στην εμπέδωση της θεωρίας και των πρακτικών που εφαρμόζονται σε προβλήματα ανάλυσης δεδομένων με χρήση σύγχρονων μεθόδων, με σκοπό την λήψη αποφάσεων.