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.