Байесовские методы машинного обучения (курс лекций, Д.П. Ветров, Д.А. Кропотов)/2014
Материал из MachineLearning.
(Различия между версиями)
(→Практические задания: дополнение) |
|||
Строка 68: | Строка 68: | ||
Задание 1. [[Байесовские методы машинного обучения (курс лекций, Д.П. Ветров, Д.А. Кропотов)/2014/Задание 1 | «Байесовские рассуждения»]]. | Задание 1. [[Байесовские методы машинного обучения (курс лекций, Д.П. Ветров, Д.А. Кропотов)/2014/Задание 1 | «Байесовские рассуждения»]]. | ||
+ | |||
+ | Задание 2. [[Media:BMML_2014_fall_assignment2.pdf | «Байесовская смесь распределений Бернулли»]]. | ||
== Домашние задания == | == Домашние задания == |
Версия 21:19, 7 ноября 2014
Курс посвящен т.н. байесовским методам решения различных задач машинного обучения (классификации, прогнозирования, восстановления регрессии), которые в настоящее время активно развиваются в мире. Байесовский подход к теории вероятностей позволяет эффективно учитывать различные предпочтения пользователя при построении решающих правил прогноза. Кроме того, он позволяет решать задачи выбора структурных параметров модели. В частности, здесь удается решать без комбинаторного перебора задачи селекции признаков, выбора числа кластеров в данных, размерности редуцированного пространства при уменьшении размерности, значений коэффициентов регуляризации и проч. В байесовском подходе вероятность интерпретируется как мера незнания, а не как объективная случайность. Простые правила оперирования с вероятностью, такие как формула полной вероятности и формула Байеса, позволяют проводить рассуждения в условиях неопределенности. В этом смысле байесовский подход к теории вероятностей можно рассматривать как обобщение классической булевой логики. |
Лектор: Д.П. Ветров,
Семинарист: М.В. Фигурнов,
Ассистент: Д.А. Кропотов.
Вопросы и комментарии по курсу можно оставлять на вкладке «Обсуждение» к этой странице или направлять письмом по адресу bayesml@gmail.com. При этом в название письма просьба добавлять [БММО14].
Содержание |
Расписание занятий
В 2014 году курс читается на факультете ВМиК МГУ по пятницам в ауд. 637, начало в 14-35 (лекция) и 16-20 (семинар).
Дата | № занятия | Занятие | Материалы |
---|---|---|---|
12 сентября 2014 | 1 | Лекция «Введение в курс. Байесовские рассуждения.» | Конспект (pdf) Презентация (pdf) |
Семинар «Байесовские рассуждения. Выдача задания №1» | |||
19 сентября 2014 | 2 | Лекция «Сопряжённые распределения, аналитический байесовский вывод» | |
Семинар «Сопряжённые распределения» | |||
26 сентября 2014 | 3 | Лекция «Байесовский выбор модели» | Презентация (pdf) |
Семинар «Подсчёт обоснованности моделей» | |||
3 октября 2014 | 4 | Лекция «Байесовская проверка гипотез» | |
Семинар «Матричные вычисления» | Конспект по матричным вычислениям и нормальному распределению (pdf) | ||
10 октября 2014 | 5 | Лекция «Метод релевантных векторов для задачи регрессии» | Презентация (pdf) |
Семинар «Контрольная по матричным вычислениям» | |||
17 октября 2014 | 6 | Лекция «Метод релевантных векторов для задачи классификации» | Конспект (pdf) |
Семинар «Прогнозное распределение для метода релевантных векторов» | |||
24 октября 2014 | 7 | Лекция «EM-алгоритм. Байесовский метод главных компонент» | Конспект (pdf) |
Семинар «ЕМ-алгоритм» | |||
31 октября 2014 | 8 | Лекция «Вариационный вывод» | Конспект лекции (pdf) Конспект (pdf) |
Семинар «Вариационный вывод» | |||
7 ноября 2014 | 9 | Лекция «Байесовская модель разделения гауссиан» | |
Семинар «Контрольная по вариационному выводу. Выдача задания №2» | |||
14 ноября 2014 | 10 | Лекция «Латентное размещение Дирихле (LDA)» | Конспект (pdf) |
Семинар «Латентное размещение Дирихле (LDA)» | |||
21 ноября 2014 | 11 | Лекция «Методы Монте Карло по схеме марковский цепей (MCMC)» | Конспект (pdf) |
Семинар «Методы Монте Карло по схеме марковский цепей (MCMC)» |
Практические задания
Задание 1. «Байесовские рассуждения».
Задание 2. «Байесовская смесь распределений Бернулли».
Домашние задания
Задание 1. Матричные вычисления.
Задание 2. Вариационный вывод.
Оценки по курсу
№ п/п | Студент | Практические задания | Контрольные | Сумма | Экзамен | Оценка | |||
---|---|---|---|---|---|---|---|---|---|
№1 | №2 | №3 | №1 | №2 | |||||
1 | Апишев Мурат | ||||||||
2 | Афанасьев Кирилл | ||||||||
3 | Готман Мария | ||||||||
4 | Дойков Никита | ||||||||
5 | Захаров Егор | ||||||||
6 | Козлов Владимир | ||||||||
7 | Колмаков Евгений | ||||||||
8 | Лисяной Александр | ||||||||
9 | Лукашкина Юлия | ||||||||
10 | Ожерельев Илья | ||||||||
11 | Родоманов Антон | ||||||||
12 | Сендерович Никита | ||||||||
13 | Славнов Константин | ||||||||
14 | Тюрин Александр | ||||||||
15 | Хальман Михаил | ||||||||
16 | Хомутов Никита | ||||||||
17 | Чистяков Александр | ||||||||
18 | Шапулин Андрей | ||||||||
19 | Языков Артём (ВШЭ) |
Система выставления оценок по курсу
- При наличии несданных заданий максимальная возможная оценка за курс — это «удовлетворительно».
- Необходимым условием получения положительной оценки за курс является сдача не менее двух практических заданий и сдача устного экзамена не менее чем на оценку «удовлетворительно».
- Формула вычисления итоговой оценки будет объявлена позже.
- На экзамене студент может отказаться от оценки и пойти на пересдачу, на которой может заново получить Oral.
- За каждое несданное задание выставляется минус 10 баллов в баллы по заданиям (допускаются отрицательные значения).
- Если на экзамене итоговая оценка оказывается ниже трех, то студент отправляется на пересдачу. При этом оценка Oral, полученная на пересдаче, добавляется к положительной (три и выше) оценке Oral, полученной на основном экзамене и т.д. до тех пор, пока студент не наберет на итоговую оценку «удовлетворительно» (для итоговых оценок выше «удовлетворительно» оценки Oral не суммируются).
- Студент может досдать недостающие практические задания в любое время. При этом проверка задания гарантируется только в том случае, если задание сдано не позднее, чем за неделю до основного экзамена или пересдачи.
- Штраф за просрочку сдачи заданий начисляется из расчета 0.1 балла в день, но не более 5 баллов.
- В случае успешной сдачи всех практических заданий студент получает возможность претендовать на итоговую оценку «хорошо» и «отлично». При этом экзамен на оценку Oral может сдаваться до сдачи всех заданий (оценки Oral в этом случае не суммируются).
- Экзамен на оценку Oral сдается либо в срок основного экзамена, либо в срок официальных пересдач.
Литература
- Barber D. Bayesian Reasoning and Machine Learning. Cambridge University Press, 2012.
- Простые и удобные заметки по матричным вычислениям и свойствам гауссовских распределений
- Памятка по теории вероятностей
- Ветров Д.П., Кропотов Д.А. Байесовские методы машинного обучения, учебное пособие по спецкурсу, 2007 (Часть 1, PDF 1.22МБ; Часть 2, PDF 1.58МБ)
- Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006.
- Mackay D.J.C. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, 2003.
- Tipping M. Sparse Bayesian Learning. Journal of Machine Learning Research, 1, 2001, pp. 211-244.
- Шумский С.А. Байесова регуляризация обучения. В сб. Лекции по нейроинформатике, часть 2, 2002.
Страницы курса прошлых лет
2010 год
2011 год
весна 2013 года
осень 2013 года