Preview

(SAS-PMS368) -  Christos Merkatas

Course Description

Ύλη του μαθήματος είναι αυτή που δίνεται στο περίγραμμα του μαθήματος στον Οδηγό Σπουδών. Επιπλέον θα μελετηθούν παραδείγματα με τη χρήση Η/Υ χρησιμοποιώντας πιθανοτικές γλώσσες (probabilistic programming languages)

Αν το επιτρέπει ο χρόνος θα μελετηθούν και άλλα προβλήματα συμπερασματολογίας κατά Bayes.

 

Μέθοδος αξιολόγησης

Η αξιολόγηση θα γίνει με γραπτή εξέταση και με ομαδικό project.

 

Σχετικά με το project

Οι φοιτήτριες/τες θα χωριστούν σε ομάδες 3-4 ατόμων σύμφωνα με τα ενδιαφέροντα τους.

 

Πριν τις διακοπές των Χριστουγέννων, η κάθε ομάδα θα παρουσιάσει μία περίληψη από κάποιο άρθρο ή κεφάλαιο βιβλίου που τους ενδιαφέρει, ή οτιδήποτε σχετικό με το μάθημα. 

Διάρκεια παρουσίασης: <=15 λεπτά.

 

Βασισμένη στην παρουσίαση, η κάθε ομάδα θα γράψει ένα τελικό report των 10-15 σελίδων (μέγιστο) και θα το καταθέσει. Το τελικό report θα πρέπει να είναι PDF (απαραίτητα).

 

Ο τελικός βαθμός θα προκύψει από τον συνδυασμό όλων των παραπάνω με βαρύτητα στην τελική εξέταση.

 

Δομή του project

Η εργασία σας θα πρέπει να έχει τη μορφή επιστημονικού άρθρου και να αποτελείται (τουλάχιστον) από τις παρακάτω ενότητες

1) Περίληψη (σύντομη περιγραφή του περιεχομένου-προβλήματος της εργασίας)

2) Εισαγωγή. Στην ενότητα αυτή περιγράφεται το πρόβλημα, τη σχετική βιβλιογραφία και μεθόδους αντιμετώπισης του προβλήματος

3) Μέθοδοι. Εδώ γίνεται η ανάπτυξη της μεθόδου ή μεθόδων που παρουσιάζεται για την επίλυση του προβλήματος.

4) Πειραματικά αποτελέσματα/συγκρίσεις αν υπάρχουν (δεν είναι υποχρεωτικό αλλά μπορεί κάποια ομάδα να υλοποιήσει κάποια μέθοδο από το άρθρο που ασχολήθηκε, ή ακόμη καλύτερα, να προτείνει δική της προσέγγιση).

5) Συμπεράσματα. Εδώ γίνεται ανασκόπηση της εργασίας και συζήτηση πλεονεκτημάτων ή περιορισμών για παράδειγμα.

 

Αν χρησιμοποιήσετε AI-LLM για οποιδήποτε κομμάτι της εργασίας σας αυτό θα πρέπει να αναφερθεί ρητά και με ποιό τρόπο/σε ποιά σημεία χρησιμοποιήθηκε. 

 

Προτεινόμενα θέματα για παρουσίασεις 

1. Μεθοδολογία mcmc για εκτίμηση bayesian μοντέλων. Σκοπός εδώ είναι να μελετηθούν οι αλγόριθμοι MCMC και να παρουσιαστεί πως χρησιμοποιούνται. Το θέμα αυτό θα μπορούσε να απασχολήσει και 2 ομάδες καθώς υπάρχουν πολλοί αλγόριθμοι. 
2. latent feature models
3. Variational inference μέθοδοι για εκτίμηση
4. Bayesian παλινδρόμηση
5. Gaussian processes για παλινδρόμηση και ταξινόμηση
6. Βayesian mixture models
7. Bayesian neural networks
8. Μη παραμετρική Bayesian εκτίμηση με εφαρμογές στην εκτίμηση πυκνότητας, συσταδοποίηση, παλινδρόμηση κτλ. (μία εφαρμογή ανά παρουσίαση)
9. Latent Dirichlet Allocation για την κατηγοριοποίηση κειμένου
10. Bayesian επίλυση διαφορικών εξισώσεων
11. Βayesian filtering/smoothing χρονοσειρών
12. Bayesian εκτίμηση χρονοσειρών
13. Ασυμπτωτικές ιδιότητες εκτιμητών Bayes
14. Θέμα της επιλογής σας

 

Προτεινόμενη βιβλιογραφία

• Robert, C. P. (2007). The Bayesian choice: from decision-theoretic foundations to computational implementation (Vol. 2). New York: Springer.
• Gelman, A., Carlin, J. B., Stern, H. S., & Rubin, D. B. (1995). Bayesian data analysis. Chapman and Hall/CRC.
• Hoff, P. D. (2009). A first course in Bayesian statistical methods(Vol. 580). New York: Springer.
• scott M. lynch (2007) Introduction to applied bayesian statistics and estimation for social scientists. Springer

Eπιπλέον βιβλία  για ιδέες παρουσιάσεων (ή και περεταίρω μελέτη)

• Murphy, K. P. (2022). Probabilistic machine learning: an introduction. MIT press.
• Rasmussen C.E. & Williams C.K.I . (2004). Gaussian processes for machine learning. MIT PRESs.
• Bishop C. (2007) Pattern recognition and machine learning. Springer
• Müller, P., Quintana, F. A., Jara, A., & Hanson, T. (2015). Bayesian nonparametric data analysis (Vol. 1). New York: Springer.

Creation Date

Tuesday, October 7, 2025