Выбор моделей в машинном обучении (теория и практика, А.А. Адуенко, В.В. Стрижов)/Группа 674, осень 2019

Материал из MachineLearning.

Версия 23:53, 10 ноября 2019

Основная статья: Численные методы обучения по прецедентам (практика, В.В. Стрижов)

Байесовский выбор моделей Курс лекций, преподаватель Александр Александрович Адуенко (aduenko1 at gmail.com)

• Курс, прочитанный осенью 2018 года
• Короткий адрес страницы http://bit.ly/2lD8lhs
• Лекция 1: Введение
• Задание 1
• Лекция 2: Введение. Экспоненциальное семейство распределений.
• Лекция 3: Байесовская линейная регрессия. Обоснованность (evidence).
• Тест 1.
• Практическое задание 1.
• Данные для практического задания 1
• Лекция 4: Байесовская линейная регрессия (напоминание). Обоснованность (evidence).
• Лекция 5: Байесовская логистическая регрессия и отбор признаков.
• Задание 2
• Тест 2
• Лекция 6: EM-алгоритм для максимизации обоснованности.
• Лекция 7: EM-алгоритм и вариационный EM-алгоритм.
• Лекция 8: Вариационный EM-алгоритм и введение в гауссовские процессы.
• Задание 3
• Лекция 9: Гауссовские процессы для учёта эволюции модели.
• Лекция 10: Построение адекватных мультимоделей.
• Практическое задание 2.

Дополнительные материалы

1. См. последний слайд каждой лекции со списком литературы.
2. David MacKay, 2005, Information Theory, Inference, and Learning Algorithms
3. Christopher Bishop, 2006, Pattern Recognition and Machine Learning
4. David Barber, 2014, Bayesian Reasoning and Machine Learning
5. Daphne Koller and Nir Friedman, 2009, Probabilistic Graphical Models
6. Kevin P. Murphy, 2012, Machine Learning: a Probabilistic Perspective