Графические модели (курс лекций)
Материал из MachineLearning.
(Различия между версиями)
(Материалы по разрезам графов и двойственному разложению) |
(+ книга Murphy в список литературы) |
||
| Строка 1: | Строка 1: | ||
__NOTOC__ | __NOTOC__ | ||
| - | |||
| - | |||
{|border = "0" | {|border = "0" | ||
| Строка 221: | Строка 219: | ||
# ''Barber D.'' [http://web4.cs.ucl.ac.uk/staff/D.Barber/textbook/290313.pdf Bayesian Reasoning and Machine Learning.] Cambridge University Press, 2012. | # ''Barber D.'' [http://web4.cs.ucl.ac.uk/staff/D.Barber/textbook/290313.pdf Bayesian Reasoning and Machine Learning.] Cambridge University Press, 2012. | ||
| + | # ''Murphy K.P.'' Machine Learning: A Probabilistic Perspective. The MIT Press, 2012. | ||
# ''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. | ||
# ''Mackay D.J.C.'' [http://www.inference.phy.cam.ac.uk/mackay/itila/book.html Information Theory, Inference, and Learning Algorithms.] Cambridge University Press, 2003. | # ''Mackay D.J.C.'' [http://www.inference.phy.cam.ac.uk/mackay/itila/book.html Information Theory, Inference, and Learning Algorithms.] Cambridge University Press, 2003. | ||
| Строка 230: | Строка 229: | ||
== Страницы курса прошлых лет == | == Страницы курса прошлых лет == | ||
| - | [[ | + | [[Графические модели (курс лекций)/2012|2012 год]] |
[[Структурные методы анализа изображений и сигналов (курс лекций)/2011|2011 год]] | [[Структурные методы анализа изображений и сигналов (курс лекций)/2011|2011 год]] | ||
| - | [[ | + | [[Структурные методы анализа изображений и сигналов (курс лекций, А.С. Конушин, Д.П. Ветров, Д.А. Кропотов, О.В. Баринова, В.С. Конушин, 2009)|2009 год]] |
== См. также == | == См. также == | ||
Версия 22:25, 6 апреля 2013
| Курс посвящен математическим методам обработки информации, основанных на использовании внутренних взаимосвязей в данных и их последующем анализе. Эти методы широко используются при решении задач из разных прикладных областей, включая обработку изображений и видео, анализ социальных сетей, распознавание речи, машинное обучение. До 2011 года курс читался как спецкурс «Структурные методы анализа изображений и сигналов».
Целью курса является освоение математического аппарата для работы с графическими моделями. Предполагается, что в результате прохождения курса студенты обретут навыки самостоятельного построения графических моделей для решения задач из различных прикладных областей; будут способны решать задачи настройки параметров графических моделей по данным, определять подходящую структуру графической модели, выбирать методы, наиболее эффективные для работы с построенной моделью; получат опыт применения графических моделей для различных задач анализа изображений, сигналов, сетей. |
Лектор: Д.П. Ветров,
Семинарист: А.А. Осокин,
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 [ГМ13].
Расписание занятий
В 2013 году курс читается на факультете ВМиК МГУ по пятницам в ауд. 526б, начало в 12-50 и в 16-20.
| Дата | Занятие | Материалы |
|---|---|---|
| 8 февраля 2013 | Лекция 1 «Введение в курс. Байесовские рассуждения.» | Презентация (PDF) по байесовским рассуждениям и графическим моделям |
| 15 февраля 2013 | Семинар 1 «Правила работы с вероятностями, байесовские рассуждения.» | |
| 15 февраля 2013 | Лекция 2 «Графические модели: байесовские и марковские сети» | |
| 22 февраля 2013 | Семинар 2 «Фактор-графы, задачи вывода в ГМ, решение практических задач с помощью ГМ» | |
| 22 февраля 2013 | Лекция 3 «Алгоритм Belief Propagation (BP) для вывода в ациклических графических моделях. Алгоритм Loopy BP.» | Конспект по алгоритмам передачи сообщений (PDF) |
| 1 марта 2013 | Семинар 3 «Алгоритмы передачи сообщений. Коды с малой плотностью проверок на чётность (LDPC-коды)» | LDPC-коды в Википедии |
| 1 марта 2013 | Лекция 4 «Скрытые марковские модели. Алгоритм сегментации сигнала, обучение с учителем.» | Презентация (PDF) |
| 15 марта 2013 | Семинар 4 «Скрытые марковские модели» | |
| 15 марта 2013 | Лекция 5 «ЕМ-алгоритм. Обучение скрытых марковских моделей без учителя.» | Презентация (PDF, 725Кб) |
| 22 марта 2013 | Семинар 5 «Матричные вычисления» | Текст (PDF, 325Кб) |
| 22 марта 2013 | Лекция 6 «Линейные динамические системы. Фильтр Калмана. Расширенный фильтр Калмана.» | |
| 29 марта 2013 | Семинар 6 «Контрольная по матричным вычислениям. ЕМ-алгоритм» | |
| 29 марта 2013 | Лекция 7 «Алгоритмы на основе разрезов графов, | Презентация (PDF, 618 Кб) |
| 5 апреля 2013 | Семинар 7 «Алгоритмы разрезов графов» | |
| 5 апреля 2013 | Лекция 8 «Алгоритм Tree-ReWeighted Message Passing (TRW) для вывода в циклических графических моделях» | Конспект лекции (PDF, 86Кб) |
| 12 апреля 2013 | Семинар 8 «Двойственное разложение» | |
| 12 апреля 2013 | Лекция 9 «Структурный метод опорных векторов (SSVM)» | |
| 19 апреля 2013 | Семинар 9 «Разбор практического задания по SSVM» | |
| 19 апреля 2013 | Лекция 10 «Методы Монте Карло по схеме марковских цепей (MCMC)» | |
| 26 апреля 2013 | Семинар 10 «Модель Изинга» | |
| 26 апреля 2013 | Лекция 11 «Вариационный вывод» | |
| 17 мая 2013 | Семинар 11 «Вариационный вывод» | |
| 17 мая 2013 | Лекция 12 «Алгоритм Expectation Propagation (EP)» |
Практические задания
Задание 1. «Байесовские рассуждения».
Задание 2. «Алгоритм Loopy Belief Propagation для LDPC-кодов».
Задание 3. «Авторегрессионная скрытая марковская модель для сегментации сигналов».
Задание 4. «Алгоритм -расширения для задачи стерео».
Задание 5. «Структурное обучение».
Задание 6. «Модель Изинга».
Домашние задания
Задание 1. Матричные вычисления (PDF, 30Кб)
Оценки по курсу
| № п/п | Студент | Практические задания (макс.балл) | Контрольные (макс.балл) | Семинары | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| №1(3) | №2(4) | №3(3) | №4(4) | №5(6) | №6(5) | №1(2.5) | №2(2.5) | №2 | №3 | №4 | №6 | ||
| 1 | Березин Алексей | 2.8 | 0.83 | 0.5 | 0 | ||||||||
| 2 | Борисов Михаил | 0.83 | - | -0.5 | |||||||||
| 3 | Гавриков Михаил | - | 0.83 | 1 | 1 | ||||||||
| 4 | Зак Евгений | 2.5 | 0 | - | 0 | ||||||||
| 5 | Исмагилов Тимур | 2.4 | 0.83 | 0.5 | 0.5 | 0.5 | |||||||
| 6 | Кондрашкин Дмитрий | 3 | 4.0 | 1.25 | 0.5 | 0.5 | 0.5 | ||||||
| 7 | Куракин Александр | 2.5 | 0 | 0 | 0 | ||||||||
| 8 | Лобачева Екатерина | 3 | 2.5 | 0.5 | 1 | ||||||||
| 9 | Любимцева Мария | 3 | 0.83 | 0 | 0 | ||||||||
| 10 | Малышева Екатерина | 3 | 1.67 | 0 | 0 | ||||||||
| 11 | Морозова Дарья | - | 0 | 0 | 0 | ||||||||
| 12 | Нижибицкий Евгений | 3 | 1.67 | 0 | 1 | 0.5 | |||||||
| 13 | Новиков Максим | 2.5 | 0 | 0 | 0.5 | ||||||||
| 14 | Огнева Дарья | 2.6 | 1.67 | 0.5 | 1 | ||||||||
| 15 | Остапец Андрей | 2.8 | 0 | 0.5 | 0 | ||||||||
| 16 | Потапенко Анна | 3 | 1.67 | - | 0 | ||||||||
| 17 | Ромов Петр | - | 1.67 | - | 0 | ||||||||
| 18 | Фонарев Александр | 1.7 | 2.5 | 0 | - | ||||||||
| 19 | Шаймарданов Ильдар | 2.9 | 2.5 | 1 | - | ||||||||
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 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 задания (см. таблицу выше), Quiz - пятибалльная оценка за контрольные работы, Bonus - показатели работы студента на семинаре (в частности, результаты написания проверочных работ, см. таблицу выше), Mark — итоговая оценка по 5-балльной шкале. Нецелые значения округляются в сторону ближайшего целого, превосходящего дробное значение. Максимальный балл за HomeWork равен 25.
- 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.
- Murphy K.P. Machine Learning: A Probabilistic Perspective. The MIT Press, 2012.
- Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006.
- Mackay D.J.C. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, 2003.
- Wainwright M.J., Jordan M.I. Graphical Models, Exponential Families, and Variational Inference. Foundations and Trends in Machine Learning, NOWPress, 2008.
- Koller D., Friedman N. Probabilistic Graphical Models: Principles and Techniques. The MIT Press, 2009.
- Cowell R.G., Dawid A.P., Lauritzen S.L., Spiegelhalter D.J. Probabilistic networks and expert systems. Berlin: Springer, 1999.
- Памятка по теории вероятностей
Страницы курса прошлых лет
См. также
Курс «Байесовские методы машинного обучения»
Спецсеминар «Байесовские методы машинного обучения»
Математические методы прогнозирования (кафедра ВМиК МГУ)
Онлайн-курс Стэнфордского университета по вероятностным графическим моделям
