0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

This course was given pysically and was visted by 7 PhD students and one guest PhD from Spain. The course went very well and the students had mostly positive feedback. The course consisted of theoretical sessions once a week and six paper discussion settings. During the paper discussion one student presented a paper (chosen by the lecturer) that fitted along the pensum. Afterwards there was a general discussion. Participation in these sessions was very good and students enjoyed it. There was a proposal whether students could propose papers to present. This is certainly an option but care needs to be taken that the papers fit to the course content. In addition students would appreciate more references to the literature for follow-up reading.

The content of the course is divided in three parts where each part is followed by a project. The students could choose whether they want to do the project alone or with an assigned partner. Two students chose to work alone, leading to four project groups.All students performed very well in the projects and during the whole course, so that all were permitted to take the oral exam. There were no failures.

NTNU:TIA:REST

Institutt for matematiske fag

Department of Mathematical Sciences

Ingen hjelpemidler tillatt.

Engelsk

Anbefalte forkunnskaper

Forkunnskapskrav

TMA4300 Beregningskrevende statistiske metoder, TMA4295 Statistisk inferens, TMA4267 Lineære statistiske modeller, eller tilsvarende kunnskaper. God forståelse og erfaring i R eller i et annet høynivå programmeringsspråk.

Link til informasjon om emnet

Faglig innhold

Emnet foreleses normalt hvert annet år, neste gang våren 2022, forutsatt at nok studenter melder seg. Dersom det melder seg få studenter, vil kurset kun gis som ledet selvstudium. Emnet tar sikte på å gi en teoretisk og metodologisk innføring i beregningskrevende statistiske metoder. Emnet vil omhandle et utvalg av følgende tema: teori og metodikk for Markov chain Monte Carlo, skjulte markovkjeder, gaussiske felt, mixtures, ikke-parametriske metoder og regresjon, splines, grafiske modeller, latente gaussiske modeller samt approksimativ bayesiansk inferens i disse. Relativ vektlegging av de forskjellige emnene vil variere etter behov.

Kursmateriell

Læringsutbytte

1. Kunnskap. Emnet gir en teoretisk og metodologisk innføring i beregningskrevende statistiske metoder, men det forutsettes gode ferdigheter innen beregning. Emnet vil omhandle et utvalg av følgende tema: teori og metodikk for Markov chain Monte Carlo, skjulte markovkjeder, gaussiske markovfelt, mixtures, ikke-parametriske metoder og regresjon, splines, grafiske modeller, latente gaussiske modeller samt approksimativ bayesiansk inferens i disse. 2. Ferdigheter. Studentene vil bli i stand til å bruke grunnleggende beregningskrevende teknikker i moderne teoretisk statistikk. Spesielt Markov chain Monte Carlo, skjulte markovkjeder, gaussiske markovfelt, mixtures, ikke-parametriske metoder og regresjon, splines, grafiske modeller, latente gaussiske modeller samt approksimativ bayesiansk inferens i disse. 3. Kompetanse. Studentene vil være i stand til å delta i vitenskapelige diskusjoner og utføre forskning i statstikk på høyt internasjonalt nivå. De vil være i stand til å delta i anvendte prosjekter innen statistiske metoder og til å anvende sine kunnskaper på problemer i teoretisk statistikk.

Læringsformer og aktiviteter

Øvinger

Videregående beregningskrevende  statistiske metoder

Statistikk

Matematiske fag - doktorgrad (ph.d.)

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(17202)/FieldValuesAsText

The course consisted of lectures and project work. The class met 2 h every week during Spring (16 weeks) and 6 extra hours for paper discussions. The course consisted of three major topics. There were about four weeks of lecturing a topic, followed by a week of project work and two paper discussions. There were 10 students participating and taking the exam. Schedule and description of class is at: https://wiki.math.ntnu.no/ma8702/2021v/start

The course content was the same as in 2020 with three major topics: <ul><li>Part 1: Markov chain Monte Carlo techniques with a link to the software Stan</li><li>Part 2: Gaussian random fields and Integrated nested Laplace approximations</li><li>Part 3: Sequential Monte Carlo Methods</li></ul> Participants should learn and understand the concepts and be able to apply and implement the different procedures.

Du to the Covid-19 situation were most lectures given digitally via Zoom. This has worked very well since the students were very engaged and active. The paper disussion sessions were also digital while project work and assistance with projects was physically in room S21.

There were three projects, one for each topic on which students worked in teams of two. This has worked well for four out of five groups. Next time I would recommend that groups are build by the lecturer to ensure that both persons get involved and have a chance to contribute and learn. In principle each project counted 25% and an oral exam 25%. However, due to only pass/fail this year the weighting was not important as long as projects were accepted.

TMA4300 Beregningskrevende statistiske metoder, TMA4295 Statistisk inferens, TMA4267 Lineære statistiske modeller. 

Emnet foreleses normalt hvert annet år, neste gang våren 2022, forutsatt at nok studenter melder seg. Dersom det melder seg  få studenter, vil kurset kun gis som ledet selvstudium.
Emnet tar sikte på å gi en teoretisk og metodologisk innføring i beregningskrevende statistiske metoder. Emnet vil omhandle et utvalg av følgende tema: teori og metodikk for Markov chain Monte Carlo, skjulte markovkjeder, gaussiske felt, mixtures, ikke-parametriske metoder og regresjon, splines, bootstrapping, klassifikasjon og grafiske modeller, latente gaussiske modeller samt approksimativ bayesiansk inferens i disse. Relativ vektlegging av de forskjellige emnene vil variere etter behov.

1. Kunnskap.
Emnet gir en teoretisk og metodologisk innføring i beregningskrevende statistiske metoder, men det forutsettes gode ferdigheter innen beregning. Emnet vil omhandle et utvalg av følgende tema: teori og metodikk for Markov chain Monte Carlo, skjulte markovkjeder, gaussiske markovfelt, mixtures, ikke-parametriske metoder og regresjon, splines, bootstrapping, klassifikasjon og grafiske modeller, latente gaussiske modeller samt approksimativ bayesiansk inferens i disse. 

2. Ferdigheter.
Studentene vil bli i stand til å bruke grunnleggende beregningskrevende teknikker i moderne teoretisk statistikk. Spesielt Markov chain Monte Carlo, skjulte markovkjeder, gaussiske markovfelt, mixtures, ikke-parametriske metoder og regresjon, splines, bootstrapping, klassifikasjon og grafiske modeller, latente gaussiske modeller samt approksimativ bayesiansk inferens i disse. 

3. Kompetanse.
Studentene vil være i stand til å delta i vitenskapelige diskusjoner og utføre forskning i statstikk på høyt internasjonalt nivå. De vil være i stand til å delta i anvendte prosjekter innen statistiske metoder og til å anvende sine kunnskaper på problemer i teoretisk statistikk.

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(11616)/FieldValuesAsText

The course is updated on process / model based statistical computational methods. The student learn via lectures, reading material and required project work. Course plan: https://wiki.math.ntnu.no/ma8702/2020v/start

The course is updated on process / model based statistical computational methods. The student learn via lectures, reading material and required project work. Course plan: https://wiki.math.ntnu.no/ma8702/2020v/start Reference group meeting 6 Feb (in class). Elements that came up are: i) Put projects out a bit before, can still be done in class. ii) Point out what is important to read to understand concepts from class. iii) Specify exercises more clearly (otherwise difficult for remote students)Next discussion with class (to change for later):  -       present MCMC before INLA. It was difficult to learn INLA for them.  -       Consider removing TMB, which was also very difficult for them (they run code without understanding what is really done). Then again automatic differentiation is probably more important in the future.-       Cover a handful of main ideas in depth, and have projects on these.-       Scratch surface on a few extensions, but skip projects on these (No need for projects simply running code in this PhD class. -       The projects were done in a team, which gave the opportunity to learn from others, both concept and implementation, and it is good to have teacher around. -       Some of the papers handed out were too difficult to read, based on the time spent on that topic (but useful for reference). Tutorial papers are very useful, such as the ones provided on INLA and EnKF.

Basics about course, lectures, reading material, projects,The course consisted of lectures and project work. The class met 2 h every week during Spring. 7 students at the exam. Schedule and description of class is at: https://wiki.math.ntnu.no/ma8702/2020v/start Rooms used, The course used several rooms during the semester. -       Room 634 (6 floor SII) is suitable. -       Skype and zoom were used for the latter part. The digital solution worked for lectures, but not so well for projects (especially for the students who lacked statistical / coding background). The students have a high motivation. But there is a rather large differences in their backgrounds before starting on this course.

Oral exam where the first part consists of presenting a project.

Emnet foreleses normalt hvert annet år, neste gang våren 2020, forutsatt at nok studenter melder seg. Dersom det melder seg  få studenter, vil kurset kun gis som ledet selvstudium.
Emnet tar sikte på å gi en teoretisk og metodologisk innføring i beregningskrevende statistiske metoder. Emnet vil omhandle et utvalg av følgende tema: teori og metodikk for Markov chain Monte Carlo, skjulte markovkjeder, gaussiske felt, mixtures, ikke-parametriske metoder og regresjon, splines, bootstrapping, klassifikasjon og grafiske modeller, latente gaussiske modeller samt approksimativ bayesiansk inferens i disse. Relativ vektlegging av de forskjellige emnene vil variere etter behov.

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(4930)/FieldValuesAsText

Videregående beregningskrevende statistiske metoder - MA8702