לוגו של האוניברסיטה העברית בירושלים

סילבוס

למידה סטטיסטית וניתוח נתונים - 52525
English
הדפסה
 
סגור סגירה חלון
גרסת PDF
תאריך עדכון אחרון 24-10-2019
נקודות זכות באוניברסיטה העברית: 4

תואר: בוגר

היחידה האקדמית שאחראית על הקורס: סטטיסטיקה

סמסטר: סמסטר ב'

שפת ההוראה: עברית

קמפוס: הר הצופים

מורה אחראי על הקורס (רכז): יובל בנימיני

דוא"ל של המורה האחראי על הקורס: yuval.benjamini@mail.huji.ac.il

שעות קבלה של רכז הקורס:

מורי הקורס:
ד"ר יובל בנימיני
מר בועז רפאל מתן

תאור כללי של הקורס:
הקורס עוסק בשיטות ניתוח נתונים מודרניים בסטטיסטיקה,בעיקר בנתונים בהיקף גדול וממימד
גבוה. נדון באתגרים סטטיסטיים וחישוביים העולים מנתונים אלו, כולל עקרונות וכן שיטות פרקטיות. חלק מרכזי מהקורס גלום במעבדות (עבודות בית) בהן הסטודנטים מנתחים נתונים אמתיים (כולל דפוסי הצבעה, התבטאות גניים, ותגובה מוחית), וחוקרים שיטות בעזרת סימולציות.

מטרות הקורס:
מטרת הקורס היא להציג בפני הסטודנטים שיטות מודרניות לניתוח נתונים סטטיסטיים. כמו כן, המטרה היא שסטודנטים יתנסו בעקרונות של עבודה מחקרית הן בתחום ניתוח הנתונים והן בתחום השוואה של שיטות אמידה / ניבוי.

תוצרי למידה :
בסיומו של קורס זה, סטודנטים יהיו מסוגלים:

בסיומו של קורס זה, סטודנטים יהיו מסוגלים:
- לבחון קובץ נתונים ולהציג אותו.
- לנסח שאלה מחקרית כבעיית חיזוי, ולהבין את הייתרונות והחסרונות של חיזוי (לעומת סוגים שונים של הסקה סטטיסטית)
- לבנות מודל חיזויי (קטגוריאלי או רציף)
- לכמת את הצלחת המודל ולהשוות בין מודלים שונים ובין שיטות שונות. לאמוד את השגיאה ואת חוסר הוודאות.
- להציג בכתב את מסקנות הניתוח

דרישות נוכחות (%):
0

שיטת ההוראה בקורס: הרצאה ותרגול.

רשימת נושאים / תכנית הלימודים בקורס:
1. ניקוי והכרת קובץ נתונים
2. PCA
3. ייצוג ומרחקים
4. Clustering
5. ניתוח יציבות וBootstrap
6. מבוא ללמידה מבוקרת (Supervised learning). הטיה לעומת שונות.
7. רגרסיה מתקדמת: הרחבת בסיסי
8. רגולריזציה
9. עצי רגרסיה
10. קלאסיפיקציה: מודלים גנרטיביים
11.מודלים דמויי רגרסיה + SVM
12. Boosting
13. מבוא לרשתות נוירונים

חומר חובה לקריאה:
אין

חומר לקריאה נוספת:
Advanced Data Analysis from an Elementary Point of View, Cosma Rohillla Shalizi
http://www.stat.cmu.edu/~cshalizi/ADAfaEPoV/

The Elements of Statistical Learning – Data mining, inference and prediction
(Tibshirani, Hastie and Friedman)
http://www-stat.stanford.edu/~tibs/ElemStatLearn/

הערכת הקורס - הרכב הציון הסופי :
מבחן מסכם בכתב/בחינה בעל פה 0 %
הרצאה0 %
השתתפות 0 %
הגשת עבודה 24 %
הגשת תרגילים 76 %
הגשת דו"חות 0 %
פרויקט מחקר 0 %
בחנים 0 %
אחר 0 %

מידע נוסף / הערות:
 
אם הינך זקוק/ה להתאמות מיוחדות בשל לקות מתועדת כלשהי עמה את/ה מתמודד/ת, אנא פנה/י ליחידה לאבחון לקויות למידה או ליחידת הנגישות בהקדם האפשרי לקבלת מידע וייעוץ אודות זכאותך להתאמות על סמך תעוד מתאים.
למידע נוסף אנא בקר/י באתר דיקנט הסטודנטים.
הדפסה