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