Overordnede kursusmål
En studerende, der har opfyldt kursets mål, vil være i stand til at
udføre en brugerdefineret Bayesiansk statistisk analyse af
realistiske biologiske data ved hjælp af de nyeste tilgængelige
teoretiske og beregningsmæssige metoder.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
- Describe Bayesian inference in the abstract
- Assess whether Bayesian inference is a good fit for a
problem
- Formulate custom measurement models to describe biological
problems
- Solve statistical modelling problems by iteratively fitting and
evaluating a series of models
- Choose appropriate software for a Bayesian statistical
modelling project
- Understand gradient-based MCMC techniques and their failure
modes
- Fit biological models with embedded ODE systems, root-finding
problems and Gaussian processes.
- Perform Bayesian optimisation
- Understand recent trends in Bayesian statistical
inference
Kursusindhold
Dag 1. formiddag: Bayesiansk statistisk inferens, motiverende
eksempel
eftermiddag: Opsætning af computere (Python, UV, Git, Editor)
Dag 2. formiddag: Regression, formelbaserede modeller og hvorfor de
ikke er nok
eftermiddag: Nogle regressionseksempler, bambi
Dag 3. formiddag: Markov Chain Monte Carlo, hvorfor du
sandsynligvis stadig vil bruge den.
eftermiddag: En Bayesiansk statistikstak til beregningsbiologi
Dag 4. formiddag: Hvad skal man gøre med MCMC-output?
kl. 15:00: Udarbejdede eksempler:
- konvergens
- divergente overgange
- modelsammenligning
- ændring af variabler, der forårsager dårlig model
Dag 5. kl.: Bayesiansk arbejdsgang
- kl. 15:00: Eksempel på arbejdsgang med automatisering
Dag 6. kl.: Ordinære differentialligninger
- kl. 15:00: Diffrax, eksempler på fermentering
Dag 7. kl.: Algebraiske ligningssystemer, implicit differentiering
- kl. 15: Optimistix, eksempel på steady state, Grapevine
Dag 8. kl.: Gaussiske processer, HSGP'er
- kl. 15: Eksempel på GP
Dag 9. kl.: Bayesiansk optimering
- kl. 15: Eksempel på BO
Dag 10. kl.: Sjove nye Bayesianske tendenser
- Probabilistisk numerik
- Amortiseret Bayesiansk inferens
- Nye MCMC-algoritmer
- Kontrol
- Normalising flows
- kl. 15: eksempler
Dag 11-15: Superviseret projekt
Litteraturhenvisninger
Gelman, Andrew, John B Carlin, Hal S Stern, David B Dunson, Aki
Vehtari, og Donald B Rubin. “Bayesian Data Analysis, Third
Edition,” 2020, 656.
Sidst opdateret
03. juli, 2025
