Podatkovni analitiki, osebe, ki znajo s kombinacijo računalniškega in statistično/matematičnega znanja izluščiti koristne informacije iz podatkov, so danes eden izmed najbolj zaželenih in iskanih kadrov. Glavni cilj tega predmeta je študenta opremiti z znanjem, ki je potrebno za reševanje večine statističnih nalog, ki jih srečamo pri vsakdanjem statističnem delu in empiričnih raziskavah, obenem pa študentu predstaviti tudi teoretično in algoritmično ozadje, ki nam omogoča statistično analizo.

Najprej se bomo naučili temeljev statistike, natančneje Bayesove statistike. Bayesova statistika je sodoben statistični pristop in je v veliko pogledih bolj intuitivna kot klasična statistika. Še posebej pa je primerna za tiste, ki imajo programersko ozadje in so vešči algoritmičnega razmišljanja. Spoznali se bomo s koncepti statističnega modeliranja ter klasičnimi in sodobnimi algoritmov za statistično računanje (Gibbs, Metropolis-Hastings, Hamiltonian Monte Carlo). V drugem delu predmeta bo poudarek na uporabi pridobljenega znanja pri reševanju praktičnih problemov, od preprostih, pa vse do aktualnih raziskovalnih problemov. Od predpriprave podatkov, preko modeliranja, do predstavitve rezultatov. Pogledali si bomo tipične naloge napovedovanja, gručenja in testiranja hiptez na različnih področjih, kot so napovedovanje izidov športnih tekem, modeliranje poti zračnih mas in onesnaženosti zraka, gručenje delov možganov glede na podobnosti v aktivnosti in mnoge druge... Pri delu si bomo pomagali s programskim jezikom R in sodobnim orodjem za Bayesovo statistiko Stan.

Večina končne ocene bo iz vaj in domačih nalog, manjši del pa iz pisnega izpita. Študenti, ki se bodo izkazali v prvem delu predmeta, bodo v drugem delu predmeta imeli možnost pisni izpit nadomestiti z mentoriranim delom na uprabi statistike pri reševanju aktualnega praktičnega problema.