Estatistika Metodo Aurreratuak28268
- Ikastegia
- Informatika Fakultatea
- Titulazioa
- Adimen Artifiziala Gradua
- Ikasturtea
- 2024/25
- Maila
- 2
- Kreditu kopurua
- 6
- Hizkuntzak
- Gaztelania
- Euskara
- Kodea
- 28268
IrakaskuntzaToggle Navigation
Irakaskuntza-gidaToggle Navigation
Irakasgaiaren Azalpena eta Testuingurua zehazteaToggle Navigation
Estatistika Metodo Aurreratuak irakasgaia oinarrizko irakasgaia da Adimen Artifiziala Graduko 2. mailan. Aipaturiko graduan, lehenengo mailan landutako estatistika metodoen jarraipena da. Batetik, lehen mailan ikusitako kontzeptuak sakontzen dira eta bestetik estatistika Bayestarraren hastapenekin hasi. Gainera, maila altuagoko irakasgaietan, bereziki datu analisiaren arloko irakasgaietan, landuko diren paradigmak hobeto ulertu ahal izateko oinarriak ezarriko dituzte irakasgai honetan lortutako ezagutzak eta abileziek.
Adimen Artifizialean aditua izango den pertsonak azterketa estatistikoak burutu eta oinarrian dauden ereduak ulertzeko gai izan behar du Adimen Artifizialean kokatzen diren soluzioak proposatzeko.
Gaitasunak / Irakasgaia Ikastearen EmaitzakToggle Navigation
Inferentzia estatistikoan eredu Bayestarra ulertu.
Problema errealei soluzioa emango dien eredu estatistikoak eraiki.
Ondorioak atera, datuen eta ebidentzien interpretazioan oinarritutako iritziak argudiatuz.
R lengoaiarekin datuak erakutsi eta aztertzeko programa errazak garatzen ikasi.
Eduki teoriko-praktikoakToggle Navigation
1. Probabilitate-kontzeptu batzuk berrikusi
1.1 Zorizko aldagaiak
1.2 Banaketak: baterakoak, bazterrekoak eta baldintzatuak
2. Estimazioa
2.1 Estimatzaileen propietateak
2.2 Momentuen metodoa
2.3 Egiantz Handieneko metodoa
2.4 Bootstrap ez-parametrikoa
3. Estimazioa Bayestarrerako sarrera
3.1 Banaketa konjugatuak
3.2 Monte Carlo hurbilpenak
3.3 Eredu normala
3.4 Gibbs laginketa
3.5 Multzoen alderaketa eta erregresio lineala
4. Test estatistikoak
4.1 Parametrikoak, ez-parametrikoak eta permutaziozkoak
4.2 Test anitzentzako zuzenketa
MetodologiaToggle Navigation
Irakasgai honetan lan autonomoa bultzatuko da eta horretarako baliabide informatikoak eta bibliografikoak erabiliko dira; ikasleari edukiak hobeto ulertzen lagunduko diotenak. Irakasgaiaren eduki kontzeptualak azaltzeko eskolak emanen dira eta ariketekin osatuko da. Estatistikaren alderdi konputazionala landuko da, laborategian astean behin praktikak eginez R lengoaia erabiliz.
Ebaluazio-sistemakToggle Navigation
- Ebaluazio Jarraituaren Sistema
- Azken Ebaluazioaren Sistema
- Kalifikazioko tresnak eta ehunekoak:
- Ebaluazio mota eta portzentajeak azpiko ataletan zehaztuta daude (%): 100
Ohiko Deialdia: Orientazioak eta Uko EgiteaToggle Navigation
Irakasgaia bi modutan gainditu ahal izango da: ebaluazio jarraituaren bidez edo amaierako
ebaluazioaren bidez. Ebaluazio jarraituaren sistema da lehenetsitakoa, UPV/EHUko araudian adierazten
den moduan.
Ebaluazio jarraituaren baldintzak betetzen dituen ikasle batek amaierako ebaluazioa aukeratu nahiko
balu, irakasgaiko irakasle arduradunei adierazi behar die nahi hori modu honetan eta epe hauetan: email bitartez eta 2. aste trinkoko proba idatziaren kalifikazioa jaso ondoren.
EBALUAZIO JARRAITUA:
Ebaluazio jarraituak lauhilekoan zehar egindako lanak barneratzen ditu: banakako edota taldeko lanak (% 15) eta azterketa partzialak, kontzeptu teoriko-praktikoenak laborategian ( % 85).
Azken kalifikazioa proba ebaluagarrietako kalifikazioen batez bestekotik aterako da, baina gutxienez 4koa atera behar dira bakarka egin beharreko idatzizko probetan. Ikasgaia gainditzeko gutxienez 5 puntu lortu beharko dira.
AZKEN EBALUAZIOA:
Azken ebaluazioa egiteko, ikasleak kontzeptu teoriko-praktikoen azterketa bat egin beharko du laborategian (% 100). Idatzizko edo laborategiko probara aurkezten ez bada, azken ebaluazioari uko egiten zaiola ulertuko da. Ikasgaia gainditzeko gutxienez 5 puntu lortu beharko dira.
Ezohiko deialdia: Orientazioak eta Uko EgiteaToggle Navigation
Ez ohiko deialdiko ebaluazioa ohiko deialdiko azken ebaluazioaren (globala) berdina izango da:
Azken ebaluazioa egiteko, ikasleak kontzeptu teoriko-praktikoen azterketa bat egin beharko du laborategian (% 100). Idatzizko edo laborategiko probara aurkezten ez bada, azken ebaluazioari uko egiten zaiola ulertuko da. Ikasgaia gainditzeko gutxienez 5 puntu lortu beharko dira.
Nahitaez erabili beharreko materialaToggle Navigation
Ez dago nahitaez erabili beharreko materialik. Ikaslea bera joango da bere materiala osatzen eskolako jarraipena eginez.
BibliografiaToggle Navigation
Oinarrizko bibliografia
Leonard Held, Daniel Sabanés-Bové (2014) Applied Statistical Inference. Springer
Peter D. Hoff (2009) A First Course in Bayesian Statistical Methods. Springer
TaldeakToggle Navigation
16 Teoriakoa (Gaztelania - Arratsaldez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
1-15 | 17:00-18:30 (1) | 15:30-17:00 (2) |
Irakasleak
16 Laborategiko p.-1 (Gaztelania - Arratsaldez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
1-15 | 14:00-15:30 (1) |
Irakasleak
31 Teoriakoa (Euskara - Goizez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
1-15 | 12:00-13:30 (1) | 10:30-12:00 (2) |
Irakasleak
31 Laborategiko p.-1 (Euskara - Goizez)Erakutsi/izkutatu azpiorriak
Asteak | Astelehena | Asteartea | Asteazkena | Osteguna | Ostirala |
---|---|---|---|---|---|
1-15 | 09:00-10:30 (1) |