Prof. Leonardo Egidi

Argomenti del programma: 1. Modelli statistici gerarchici/multilevel, con principale utilizzo del software Stan (nella fattispecie la libreria R ‘rstan’). a) Definizione dati multilivello e struttura generale. b) Modelli multilivello lineari e lineari generalizzati a intercetta e pendenza variabile, stimati con metodi frequentisti e bayesiani.

Argomenti del programma: Introduction to Bayesian inference (with refresh of probability calculus and likelihood inference) Single parameter models: binomial, normal, Poisson Bayesian estimate, credibility interval (HPD) Predictive distribution (PPP), exchangeability Non informative/ weak informative / reference prior Multiparameter models: multivariate normal, known and unknown variance Asymptotic approximation (parallel with classical…

• Additional material and information will be available at the course web page.

Argomenti del programma: 1. Random variables Review of some basic concepts of probability; the multivariate normal distribution; central limit theory and law of large numbers; statistics and their properties. Statistical models and inference. Examples of statistical models; the problems of statistical inference. Basic tools for estimation and testing statistical hypotheses. Approaches to statistical inference and design issues (16 hours) 2.

• Additional material and information will be available at the course web page.

Argomenti del programma: 1. Random variables Review of some basic concepts of probability; the multivariate normal distribution; central limit theory and law of large numbers; statistics and their properties. Statistical models and inference. Examples of statistical models; the problems of statistical inference. Basic tools for estimation and testing statistical hypotheses. Approaches to statistical inference and design issues (16 hours) 2.

Argomenti del programma: Introduction to Bayesian inference (with refresh of probability calculus and likelihood inference) Single parameter models: binomial, normal, Poisson Bayesian estimate, credibility interval (HPD) Predictive distribution (PPP), exchangeability Non informative/ weak informative / reference prior Multiparameter models: multivariate normal, known and unknown variance Asymptotic approximation (parallel with classical…

Argomenti del programma: Il corso si propone di fornire le idee, i concetti essenziali e le tecniche di apprendimento statistico e automatico in particolare per problemi di apprendimento supervisionato. 1. Introduzione 2. Che cos'è l'apprendimento statistico (o machine learning)? a. Apprendimento supervisionato e non supervisionato: alcuni esempi e ambiti di applicazione b.

Argomenti del programma: Il corso si propone di fornire le idee, i concetti essenziali e le tecniche di apprendimento statistico e automatico in particolare per problemi di apprendimento supervisionato. 1. Introduzione 2. Che cos'è l'apprendimento statistico (o machine learning)? a. Apprendimento supervisionato e non supervisionato: alcuni esempi e ambiti di applicazione b.