Байесовский выбор моделей (теория и практика, А.А. Адуенко, К.Д. Яковлев, В.В. Стрижов)/Группа 174, осень 2024
Материал из MachineLearning.
Преподаватель: Александр Александрович Адуенко (aduenko1 at gmail.com)
Ассистент: Константин Дмитриевич Яковлев (iakovlev.kd at phystech.edu)
- Курс, прочитанный осенью 2023 года
- Короткий адрес страницы https://bit.ly/3AWPUep
- Лекция 1: Введение
- Задание 1
- Лекция 2: Введение: наивный байесовский классификатор. Экспоненциальное семейство распределений.
- Лекция 3: Байесовская линейная регрессия.
- Лекция 4: Байесовская линейная регрессия (продолжение). Обоснованность (evidence).
- Задание 2
- Практическое задание 1
- Лекция 5: Обоснованность: Анализ свойств и связь со статистической значимостью.
- Данные для практического задания 1
- Лекция 6: Байесовская логистическая регрессия и отбор признаков.
- Лекция 7: Байесовская логистическая регрессия. ЕМ-алгоритм.
- Лекция 8: ЕМ-алгоритм и вариационный EM-алгоритм.
- Задание 3
- Лекция 9: Вариационный EM-алгоритм.
- Лекция 10: Гауссовские процессы и эволюция моделей во времени.
- Лекция 11: Построение адекватных мультимоделей.
- Практическое задание 1 (продолжение)
- Задание 4
- Лекция 12: Методы Монте-Карло по схеме марковских цепей.
- Лекция 13: Гамильтоновы методы Монте-Карло по схеме марковских цепей.