Графические модели (курс лекций)/2016
Материал из MachineLearning.
| 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.
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,
Семинаристы: Д.А. Кропотов, Михаил Хальман.
По всем вопросам, связанным с курсом, просьба писать на bayesml@gmail.com, в название письма обязательно добавлять [ГМ16].
Таблица с результатами находится здесь.
Экзамен
Экзамен по курсу состоится 29 апреля в ауд. 579, начало в 12-15. На экзамене при подготовке билета разрешается пользоваться любыми материалами. При непосредственном ответе ничем пользоваться нельзя.
Вопросы к экзамену + теоретический минимум
Задания
Домашнее задание 2. Двойственные задачи . Срок сдачи — 24 апреля, 23:59.
Практическое задание 2. Алгоритмы минимизации энергии для задачи склеивания панорам. Срок сдачи — 1 апреля, 23:59.
Домашнее задание 1. Линейные динамические системы. Срок сдачи — 18 марта, 23:59.
Практическое задание 1. Алгоритм Loopy Belief Propagation для низкоплотностных кодов. Срок сдачи — 13 марта, 23:59.
Расписание занятий
В 2016 году курс читается на факультете ВМиК МГУ по пятницам в ауд. 579, начало в 14-35 (лекция) и 16-20 (семинар).
| Дата | № занятия | Занятие | Материалы |
|---|---|---|---|
| 12 февраля 2016 | 1 | Лекция «Графические модели: байесовские и марковские сети, примеры применения» | Презентация по байесовским рассуждениям и графическим моделям |
| Семинар «Фактор-графы, задачи вывода в ГМ, решение практических задач с помощью ГМ» | Презентация по практическим задачам | ||
| 19 февраля 2016 | 2 | Лекция «Алгоритм Belief Propagation (BP) для вывода в ациклических графических моделях» | Конспект по алгоритмам передачи сообщений |
| Семинар «Алгоритмы передачи сообщений» | |||
| 26 февраля 2016 | 3 | Лекция «Помехоустойчивое кодирование, теорема Шеннона, линейные коды, коды с малой плотностью проверок на чётность» | LDPC-коды в Википедии |
| Семинар «Вывод формул для алгоритма декодирования в LDPC-кодах, выдача задания по кодированию» | |||
| 4 марта 2016 | 4 | Лекция «Скрытые марковские модели. Алгоритм сегментации сигнала, обучение с учителем и без учителя» | Презентация 1, Презентация 2 |
| Семинар «Расширения скрытых марковских моделей» | |||
| 11 марта 2016 | 5 | Лекция «Линейные динамические системы. Фильтр Калмана. Расширенный фильтр Калмана.» | Конспект по ЛДС |
| Семинар «Вывод формул фильтра Калмана» | |||
| 18 марта 2016 | 6 | Лекция «Алгоритмы на основе разрезов графов, | Презентация, конспект по разрезам графов |
| Семинар «Алгоритмы разрезов графов» | |||
| 25 марта 2016 | 7 | Лекция «Алгоритм Tree-ReWeighted Message Passing (TRW) для вывода в циклических графических моделях» | Конспект по TRW |
| Семинар «Двойственное разложение» | |||
| 1 апреля 2016 | 8 | Лекция «Структурный метод опорных векторов (SSVM)» | Конспект по SSVM |
| Семинар «Оптимизация для структурного SVM» | |||
| 8 апреля 2016 | 9 | Лекция «Вариационная передача сообщений» | Методы вывода как алгоритмы передачи сообщений |
| Семинар «Фильтр частиц» | |||
| 15 апреля 2016 | 10 | Лекция «Подход Expectation Propagation для приближённого вывода в графических моделях» | |
| Семинар «Модель TrueSkill» | Презентация по TrueSkill |
Система выставления оценок по курсу
В рамках курса предполагается два практических задания и два домашних задания. Каждое практическое задание оценивается из 5-ти баллов, домашнее задание – из 2-х баллов.
- При наличии несданных заданий максимальная возможная оценка за курс — это «удовлетворительно».
- Необходимым условием получения положительной оценки за курс является сдача не менее одного практического задания, не менее одного домашнего задания и сдача устного экзамена не менее чем на оценку «удовлетворительно».
- Итоговый балл за курс вычисляется по формуле
, где HomeWork — баллы, набранные за задания, а Oral — оценка за устный экзамен (0, 3, 4, 5). Для получения итоговой оценки 5 необходимо набрать 8 итоговых баллов, для оценки 4 — 6 баллов, для оценки 3 — 4 балла.
- Штраф за просрочку сдачи заданий начисляется из расчета 0.1 балла в день, но не более 3 баллов.
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.
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
