Prof. Michele Liguori

Argomenti del programma: Ciascuna lezione consisterà in una parte di teoria e una parte di esercizi. 1. Breve riassunto delle caratteristiche del sistema operativo gnu-linux. 2. Breve riassunto delle tecniche di programmazione in python. 3. Soluzione di sistemi di equazioni lineari algebriche (Gauss-elimination, LU decomposition, Gauss-Seidel method). 4.

Argomenti del programma: Teorema di Bayes e probabilità Bayesiana. Scelta del prior. Inferenza Bayesiana e Monte Carlo Markov Chain (MCMC): Metropolis-Hastings, Gibbs sampling, Hamiltonian sampling. Joint likelihood. Parameter marginalization. Evidenza Bayesiana, model selection, confronto di modelli, criteri d'informazione, nested sampling. Matrice di Fisher per experimental design e forecasting.

Argomenti del programma: Teorema di Bayes e probabilità Bayesiana. Scelta del prior. Inferenza Bayesiana e Monte Carlo Markov Chain (MCMC): Metropolis-Hastings, Gibbs sampling, Hamiltonian sampling. Joint likelihood. Parameter marginalization. Evidenza Bayesiana, model selection, confronto di modelli, criteri d'informazione, nested sampling. Matrice di Fisher per experimental design e forecasting.