Нейробайесовские методы машинного обучения (курс лекций) / 2018
Материал из MachineLearning.
Курс посвящен применению байесовских методов в глубинном обучении. На лекциях будет рассказано о применении вероятностного моделирования для построения порождающих моделей данных, использованию состящающихся сетей для приближенного вывода, моделированию неопределенности в параметрах нейронной сети и о некоторых открытых проблемах глубинного обучения.
Лектор: Д.П. Ветров,
Семинаристы: Екатерина Лобачева, Кирилл Струминский, Алексей Умнов, Дмитрий Молчанов, Кирилл Неклюдов, Артём Соболев, Дмитрий Подоприхин.
По всем вопросам, связанным с курсом, просьба писать на bayesml@gmail.com, в название письма обязательно добавлять [ВМК НБМ18].
Новости
01.03.18: Внимание! В ближайшую среду 7 марта будет проведено дополнительное занятие по курсу в ауд. 682. Начало в 14-35 (лекция) и в 16-20 (семинар).
16.04.18: Выложен список вопросов к экзамену.
Экзамен
Экзамен по курсу состоится 25-го апреля в 14:30 в аудитории 682. 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 теоретического минимума автоматически влечёт неудовлетворительную оценку за экзамен.
Практические задания
Приём заданий по курсу осуществляется в системе anytask.org. По поводу приглашений в систему можно обратиться на почту курса.
Расписание занятий
В 2018 году курс читается на факультете ВМиК МГУ по пятницам в ауд. 526б, начало в 14-35 (лекция) и 16-20 (семинар).
| Дата | № занятия | Занятие | Материалы |
|---|---|---|---|
| 9 февраля 2018 | 1 | Лекция «Вводное занятие по библиотеке PyTorch» | - |
| 16 февраля 2018 | 2 | Лекция «Стохастический вариационный вывод» | Статья Конспект 1 Конспект 2 |
| Семинар «Применение SVI на примере масштабируемых тематических моделей» | Конспект 1 Конспект 2 | ||
| 2 марта 2018 | 3 | Лекция « Дважды стохастический вариационный вывод» | Статья Конспект 1 Конспект 2 |
| Семинар «Дисперсия стохастических градиентов в примерах» | Статья Конспект | ||
| 7 марта 2018 | 4 | Лекция «Вариационный автокодировщик, нормализующие потоки для вариационного вывода» | Статья Конспект 1 Конспект 2 |
| Семинар «Репараметризация, оценки с выборкой по значимости (IWAE)» | Статья Конспект | ||
| 16 марта 2018 | 5 | Лекция «Оценка отношения плотностей распределений, применение на примере \alpha-GAN» | Статья Конспект |
| Семинар «f-GAN» | Статья Конспект | ||
| 23 марта 2018 | 6 | Лекция «Байесовские нейронные сети» | Статья Конспект |
| Семинар «Локальная репараметризация» | Конспект | ||
| 30 марта 2018 | 7 | Лекция «Байесовское сжатие нейронных сетей» | Конспект |
| Семинар «Тернарные сети, структурное байесовское разреживание» | Конспект | ||
| 6 апреля 2018 | 8 | Лекция «Методы снижения дисперсии в моделях со скрытыми переменными» | Конспект |
| Семинар «Обобщенная репараметризация, REBAR, RELAX» |
Система выставления оценок по курсу
В рамках курса предполагается два практических задания. Каждое задание оценивается из 10-ти 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 и сдача устного экзамена не менее чем на оценку «удовлетворительно».
- Итоговый балл за курс вычисляется по формуле 0.25*<Оценка_за_задание_1> + 0.25*<Оценка_за_задание_2> + 0.5*<Оценка_за_экзамен> с округлением в большую сторону.
- Штраф за просрочку сдачи заданий начисляется из расчета 0.3 балла в день, но не более 6 баллов.
Литература
- 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.
- "Ian Goodfellow and Yoshua Bengio and Aaron Courville" Deep Learning. MIT Press, 2016.
