Байесовские методы машинного обучения (курс лекций) / 2016
Материал из MachineLearning.
(→Расписание занятий) |
|||
(24 промежуточные версии не показаны) | |||
Строка 21: | Строка 21: | ||
Просьба не смешивать темы, то есть не нужно присылать в одном письме практическое задание и домашнее. | Просьба не смешивать темы, то есть не нужно присылать в одном письме практическое задание и домашнее. | ||
+ | |||
+ | == Экзамен == | ||
+ | Экзамен по курсу состоится 14 января в ауд. 510, начало в 12-00. На экзамене при подготовке билета разрешается пользоваться любыми материалами. При непосредственном ответе ничем пользоваться нельзя. Просьба обратить внимание на теоретический минимум по курсу — незнание ответов на вопросы теор. минимума автоматически влечёт неудовлетворительную оценку за экзамен. | ||
+ | |||
+ | [[Media:BMML16_exam_questions.pdf|Вопросы к экзамену]] | ||
== Расписание занятий == | == Расписание занятий == | ||
Строка 29: | Строка 34: | ||
!Дата !! № занятия !! Занятие !! Материалы | !Дата !! № занятия !! Занятие !! Материалы | ||
|- | |- | ||
- | | rowspan=2|2 сентября | + | | rowspan=2|2 сентября 2016 || rowspan=2 align="center"|1 || Лекция «Байесовский подход к теории вероятностей. Примеры байесовских рассуждений.» || [[Media:Lecture7_2012.pdf|Конспект (pdf)]] [[Media:BMMO11_2.pdf|Презентация (pdf)]] |
|- | |- | ||
|Семинар «Байесовские рассуждения. Выдача практического задания №1» || [[Media:S01_bayesian_reasoning_2016.pdf|Задачи (pdf)]] | |Семинар «Байесовские рассуждения. Выдача практического задания №1» || [[Media:S01_bayesian_reasoning_2016.pdf|Задачи (pdf)]] | ||
|- | |- | ||
- | | rowspan=2|9 сентября | + | | rowspan=2|9 сентября 2016 || rowspan=2 align="center"|2 || Лекция «Сопряжённые распределения, аналитический байесовский вывод, экспоненциальный класс распределений» || |
|- | |- | ||
|Семинар «Сопряжённые распределения» || [[Media:BMML_sem2_2016.pdf|Задачи (pdf)]] | |Семинар «Сопряжённые распределения» || [[Media:BMML_sem2_2016.pdf|Задачи (pdf)]] | ||
|- | |- | ||
- | | rowspan=2|16 сентября | + | | rowspan=2|16 сентября 2016 || rowspan=2 align="center"|3 || Лекция «Байесовский выбор модели» || [[Media:BMMO11_5.pdf|Презентация (pdf)]] |
|- | |- | ||
|Семинар «Подсчёт обоснованности моделей» || [[Media:BMML_sem3_2016.pdf|Задачи (pdf)]] [[Media:Formulas.pdf|Формулы (pdf)]] | |Семинар «Подсчёт обоснованности моделей» || [[Media:BMML_sem3_2016.pdf|Задачи (pdf)]] [[Media:Formulas.pdf|Формулы (pdf)]] | ||
|- | |- | ||
- | | rowspan=2|23 сентября | + | | rowspan=2|23 сентября 2016 || rowspan=2 align="center"|4 || Лекция «Метод релевантных векторов для задачи регрессии» || [[Media:BMMO11_7.pdf|Презентация (pdf)]] |
|- | |- | ||
|Семинар «Матричные вычисления» || [[Media:S04_matrix_calculations.pdf|Задачи на семинаре с разбором(pdf)]] | |Семинар «Матричные вычисления» || [[Media:S04_matrix_calculations.pdf|Задачи на семинаре с разбором(pdf)]] | ||
|- | |- | ||
- | | rowspan=2|30 сентября | + | | rowspan=2|30 сентября 2016 || rowspan=2 align="center"|5 || Лекция «Метод релевантных векторов для задачи классификации» || [[Media:BMMO11_8.pdf|Конспект (pdf)]] |
|- | |- | ||
- | |Семинар «Метод релевантных векторов» || | + | |Семинар «Метод релевантных векторов» || [https://github.com/bayesgroup/bayesgroup.github.io/blob/master/bmml/2016/Seminars/BMML_sem5_2016.pdf Задачи] [https://github.com/bayesgroup/bayesgroup.github.io/blob/master/bmml/2016/Seminars/BMML_sem5_2016_presentation.pdf Презентация] [https://en.wikipedia.org/wiki/Woodbury_matrix_identity Доказательство тождества Вудбери] [[Media:BMMO11_7.pdf|Доказательство тождества об определителе]] |
|- | |- | ||
- | | rowspan=2|7 октября | + | | rowspan=2|7 октября 2016 || rowspan=2 align="center"|6 || Лекция «EM-алгоритм. Байесовский метод главных компонент» || [[Media:BMMO11_11.pdf|Конспект (pdf)]] |
|- | |- | ||
- | |Семинар «ЕМ-алгоритм» || | + | |Семинар «ЕМ-алгоритм» || [https://github.com/bayesgroup/bayesgroup.github.io/blob/master/bmml/2016/Seminars/BMML_sem6_2016.pdf Задачи] [https://github.com/bayesgroup/bayesgroup.github.io/blob/master/bmml/2016/Seminars/BMML_sem6_2016_presentation.pdf Презентация] |
|- | |- | ||
- | | rowspan=2|14 октября | + | | rowspan=2|14 октября 2016 || rowspan=2 align="center"|7 || Лекция «Вариационный вывод» || [[Media:BMMO14_variational_lecture.pdf|Конспект лекции (pdf)]] [[Media:BMMO11_9.pdf|Конспект (pdf)]] |
|- | |- | ||
- | | Семинар «Вариационный вывод» || | + | | Семинар «Вариационный вывод» || [[Media:BMML15_S08_variational_inference.pdf|Задачи (pdf)]] |
|- | |- | ||
- | | rowspan=2|21 октября | + | | rowspan=2|21 октября 2016 || rowspan=2 align="center"|8 || Лекция «Методы Монте Карло по схеме марковский цепей (MCMC)» || [[Media:BMMO11_10.pdf|Конспект (pdf)]] |
|- | |- | ||
- | |Семинар «Методы MCMC» || | + | |Семинар «Методы MCMC» || [[Media:BMMO8_2.pdf|Конспект (pdf)]] |
|- | |- | ||
- | |rowspan=2|28 октября | + | |rowspan=2|28 октября 2016 || rowspan=2 align="center"|9 || Лекция «Гауссовские процессы для регрессии и классификации» || |
|- | |- | ||
- | |Семинар | + | |Семинар «Гауссовские процессы для регрессии и классификации» || [[Media:S11_show_BMML16.pdf|Презентация]] [[Media:S11_GP_BMML16.pdf|Задачи]] |
|- | |- | ||
- | |rowspan=2| | + | |rowspan=2|11 ноября 2016 || rowspan=2 align="center"|10 || Лекция «Непараметрические байесовские методы. Процессы Дирихле» || [[Media:DirichletProcessNotes.pdf|Конспект (pdf)]] |
|- | |- | ||
- | |Семинар | + | |Семинар «Свойства распределения Дирихле. Выдача задания №3» || [[Media:BMMO10_2.pdf|Конспект (pdf)]] |
|- | |- | ||
- | |rowspan=2| | + | |rowspan=2|18 ноября 2016 || rowspan=2 align="center"|11 || Лекция «Латентное размещение Дирихле (LDA)» || [[Media:BMMO11_14.pdf|Конспект (pdf)]] |
|- | |- | ||
- | |Семинар | + | |Семинар «Модификации LDA» || [http://www.cs.berkeley.edu/~jordan/papers/hierarchical-dp.pdf Статья по HDP] |
|- | |- | ||
- | | | + | |25 ноября 2016 || align="center"|12 || Лекция и семинар «Стохастический вариационный вывод. Вариационный автокодировщик» || [http://jmlr.org/papers/v14/hoffman13a.html Статья 1], [http://arxiv.org/abs/1312.6114 Статья 2] |
|- | |- | ||
- | | | + | |2 декабря 2016 || align="center"|13 || Занятие «Несопряженный вариационный вывод» || [https://arxiv.org/pdf/1209.4360v4.pdf Статья] |
+ | |- | ||
+ | |9 декабря 2016 || align="center"|14 || Занятие «Масштабируемые модели гауссовских процессов» || [https://arxiv.org/abs/1611.06132 Статья] | ||
|- | |- | ||
|} | |} | ||
Строка 89: | Строка 96: | ||
Срок сдачи: 1 октября (суббота), 23:59. | Срок сдачи: 1 октября (суббота), 23:59. | ||
+ | |||
+ | |||
+ | Задание 3 [[Media:-Hometask3.pdf|Вариационный вывод]] | ||
+ | |||
+ | Срок сдачи: 29 октября (суббота), 23:59. | ||
| | ||
Строка 98: | Строка 110: | ||
Срок сдачи: 17 сентября (суббота), 23:59. | Срок сдачи: 17 сентября (суббота), 23:59. | ||
+ | |||
+ | Задание 2. [[Media:BMML_Assignment2_2016.pdf|ЕМ алгоритм для детектива]] | ||
+ | |||
+ | Прототипы функций находятся [https://github.com/bayesgroup/bayesgroup.github.io/blob/master/bmml/2016/Hometasks/BMML2_prototypes.py здесь], а текущий набор данных – [https://drive.google.com/file/d/0B7TWwiIrcJstaDUxdXBsWU9BLTA/view?usp=sharing здесь]. | ||
+ | |||
+ | Выложена полная и окончательная версия данных. | ||
+ | |||
+ | Срок сдачи: 23 октября (воскресенье), 23:59. | ||
+ | |||
+ | ''В версии задания на github не открывались ссылки в первой части задания, поэтому задание перезалито на machinelearning.'' | ||
+ | |||
+ | Задание 3. [[Media:Hometask-3.pdf|Процессы Дирихле для кластеризации изображений цифр]] | ||
+ | |||
+ | Срок сдачи: 27 ноября (воскресенье), 23:59 | ||
== Система выставления оценок по курсу == | == Система выставления оценок по курсу == | ||
Строка 120: | Строка 146: | ||
# [http://www2.imm.dtu.dk/pubdb/views/edoc_download.php/3274/pdf/imm3274.pdf Набор полезных фактов для матричных вычислений] | # [http://www2.imm.dtu.dk/pubdb/views/edoc_download.php/3274/pdf/imm3274.pdf Набор полезных фактов для матричных вычислений] | ||
# Простые и удобные [http://cs.nyu.edu/~roweis/notes.html заметки по матричным вычислениям и свойствам гауссовских распределений] | # Простые и удобные [http://cs.nyu.edu/~roweis/notes.html заметки по матричным вычислениям и свойствам гауссовских распределений] | ||
- | # [http:// | + | # [http://statistics.zone/ Памятка по теории вероятностей] |
# ''Ветров Д.П., Кропотов Д.А.'' Байесовские методы машинного обучения, учебное пособие по спецкурсу, 2007 ([[Медиа:BayesML-2007-textbook-1.pdf|Часть 1, PDF 1.22МБ]]; [[Медиа:BayesML-2007-textbook-2.pdf|Часть 2, PDF 1.58МБ]]) | # ''Ветров Д.П., Кропотов Д.А.'' Байесовские методы машинного обучения, учебное пособие по спецкурсу, 2007 ([[Медиа:BayesML-2007-textbook-1.pdf|Часть 1, PDF 1.22МБ]]; [[Медиа:BayesML-2007-textbook-2.pdf|Часть 2, PDF 1.58МБ]]) | ||
# ''Bishop C.M.'' [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006. | # ''Bishop C.M.'' [http://research.microsoft.com/en-us/um/people/cmbishop/prml/ Pattern Recognition and Machine Learning.] Springer, 2006. |
Текущая версия
![]() | Курс посвящен т.н. байесовским методам решения различных задач машинного обучения (классификации, восстановления регрессии, уменьшения размерности, разделения смесей, тематического моделирования и др.), которые в настоящее время активно развиваются в мире. Большинство современных научных публикаций по машинному обучению используют вероятностное моделирование, опирающееся на байесовский подход к теории вероятностей. Последний 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 пр. 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.
Основной задачей курса является привитие студентам навыков самостоятельного построения сложных вероятностных моделей обработки данных, используя стандартные модели в качестве своеобразных "кирпичиков". Особое внимание уделяется приближенным байесовским методам, позволяющим обсчитывать сложные вероятностные модели. |
Лектор: Д.П. Ветров,
Семинаристы: Е. Лобачева, Д. Подоприхин
Таблица с результатами находится здесь.
Вопросы и комментарии по курсу, а также сдаваемые задания нужно отправлять на почту bayesml@gmail.com. В название письма обязательно добавлять тег [БММО16].
Формат темы письма:
- [БММО16]Вопрос — для вопросов;
- [БММО16]Практика №, Фамилия Имя, Вариант № — для практический заданий (если вариант только один, то его указывать не нужно);
- [БММО16]Теория №, Фамилия Имя — для домашних заданий.
Просьба не смешивать темы, то есть не нужно присылать в одном письме практическое задание и домашнее.
Содержание |
Экзамен
Экзамен по курсу состоится 14 января в ауд. 510, начало в 12-00. На экзамене при подготовке билета разрешается пользоваться любыми материалами. При непосредственном ответе ничем пользоваться нельзя. Просьба обратить внимание на теоретический минимум по курсу — незнание ответов на вопросы теор. минимума автоматически влечёт неудовлетворительную оценку за экзамен.
Расписание занятий
В 2016 году курс читается на факультете ВМиК МГУ по пятницам в ауд. 508, начало в 14-35 (лекция) и 16-20 (семинар).
Дата | № занятия | Занятие | Материалы |
---|---|---|---|
2 сентября 2016 | 1 | Лекция «Байесовский подход к теории вероятностей. Примеры байесовских рассуждений.» | Конспект (pdf) Презентация (pdf) |
Семинар «Байесовские рассуждения. Выдача практического задания №1» | Задачи (pdf) | ||
9 сентября 2016 | 2 | Лекция «Сопряжённые распределения, аналитический байесовский вывод, экспоненциальный класс распределений» | |
Семинар «Сопряжённые распределения» | Задачи (pdf) | ||
16 сентября 2016 | 3 | Лекция «Байесовский выбор модели» | Презентация (pdf) |
Семинар «Подсчёт обоснованности моделей» | Задачи (pdf) Формулы (pdf) | ||
23 сентября 2016 | 4 | Лекция «Метод релевантных векторов для задачи регрессии» | Презентация (pdf) |
Семинар «Матричные вычисления» | Задачи на семинаре с разбором(pdf) | ||
30 сентября 2016 | 5 | Лекция «Метод релевантных векторов для задачи классификации» | Конспект (pdf) |
Семинар «Метод релевантных векторов» | Задачи Презентация Доказательство тождества Вудбери Доказательство тождества об определителе | ||
7 октября 2016 | 6 | Лекция «EM-алгоритм. Байесовский метод главных компонент» | Конспект (pdf) |
Семинар «ЕМ-алгоритм» | Задачи Презентация | ||
14 октября 2016 | 7 | Лекция «Вариационный вывод» | Конспект лекции (pdf) Конспект (pdf) |
Семинар «Вариационный вывод» | Задачи (pdf) | ||
21 октября 2016 | 8 | Лекция «Методы Монте Карло по схеме марковский цепей (MCMC)» | Конспект (pdf) |
Семинар «Методы MCMC» | Конспект (pdf) | ||
28 октября 2016 | 9 | Лекция «Гауссовские процессы для регрессии и классификации» | |
Семинар «Гауссовские процессы для регрессии и классификации» | Презентация Задачи | ||
11 ноября 2016 | 10 | Лекция «Непараметрические байесовские методы. Процессы Дирихле» | Конспект (pdf) |
Семинар «Свойства распределения Дирихле. Выдача задания №3» | Конспект (pdf) | ||
18 ноября 2016 | 11 | Лекция «Латентное размещение Дирихле (LDA)» | Конспект (pdf) |
Семинар «Модификации LDA» | Статья по HDP | ||
25 ноября 2016 | 12 | Лекция и семинар «Стохастический вариационный вывод. Вариационный автокодировщик» | Статья 1, Статья 2 |
2 декабря 2016 | 13 | Занятие «Несопряженный вариационный вывод» | Статья |
9 декабря 2016 | 14 | Занятие «Масштабируемые модели гауссовских процессов» | Статья |
Теоретические задания
Задание 1. Сопряжённые распределения и экспоненциальный класс распределений
Срок сдачи: 16 сентября (пятница), 23:59.
Задание 2. Матричные вычисления
Срок сдачи: 1 октября (суббота), 23:59.
Задание 3 Вариационный вывод
Срок сдачи: 29 октября (суббота), 23:59.
Практические задания
Задание 1. Байесовские рассуждения
Проверьте свой код перед сдачей с помощью данного тестера!
Срок сдачи: 17 сентября (суббота), 23:59.
Задание 2. ЕМ алгоритм для детектива
Прототипы функций находятся здесь, а текущий набор данных – здесь.
Выложена полная и окончательная версия данных.
Срок сдачи: 23 октября (воскресенье), 23:59.
В версии задания на github не открывались ссылки в первой части задания, поэтому задание перезалито на machinelearning.
Задание 3. Процессы Дирихле для кластеризации изображений цифр
Срок сдачи: 27 ноября (воскресенье), 23:59
Система выставления оценок по курсу
- В рамках курса предполагается выполнение трёх практических заданий и трёх домашних заданий.
- Задания выполняются самостоятельно. Если задание выполнялось сообща, или использовались какие-либо сторонние коды и материалы, то об этом должно быть написано в отчете. В противном случае „похожие“ решения считаются плагиатом и все задействованные студенты (в том числе те, у кого списали) будут сурово наказаны.
- При наличии несданных практических заданий максимальная возможная оценка за курс — это «удовлетворительно».
- Практические задания оцениваются из 5 баллов. За сдачу заданий позже срока начисляется штраф в размере 0.1 балла за каждый день просрочки, но суммарно не более 5-и баллов.
- Домашние задания оцениваются из 2 баллов. За сдачу заданий позже срока начисляется штраф в размере 0.1 балла за каждый день просрочки. Задания не принимаются спустя неделю после срока.
- Необходимым условием получения положительной оценки за курс является сдача не менее двух практических заданий и сдача устного экзамена не менее чем на оценку «удовлетворительно».
- Итоговая оценка вычисляется по формуле
, где Oral — оценка за устный экзамен (0, 3, 4, 5), HomeWork — баллы, набранные за практические и домашние задания (см. таблицу выше), Mark — итоговая оценка по 5-балльной шкале. Нецелые значения округляются в сторону ближайшего целого, превосходящего дробное значение.
- На экзамене студент может отказаться от оценки и пойти на пересдачу, на которой может заново получить Oral.
- За каждое несданное практическое задание выставляется минус 10 баллов в баллы по заданиям (допускаются отрицательные значения).
- За каждую несданное домашнее задание выставляется 0 баллов в баллы по заданиям.
- 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.
- 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.
- Набор полезных фактов для матричных вычислений
- 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
2014 год
2015 год