Графические модели (курс лекций)/2015

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Оценки по курсу)
 
(32 промежуточные версии не показаны)
Строка 1: Строка 1:
__NOTOC__
__NOTOC__
-
 
-
{{stop|Страница курса находится в стадии формирования}}
 
{|border = "0"
{|border = "0"
| valign="top"|[[Изображение:Mrf.jpg|300px]]
| valign="top"|[[Изображение:Mrf.jpg|300px]]
-
| valign="top"|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 (курс лекций)/2011|«Структурные методы анализа изображений и сигналов»]].
+
| valign="top"|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.
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.
Строка 15: Строка 13:
По всем вопросам, связанным с курсом, просьба писать на ''bayesml@gmail.com'', в название письма обязательно добавлять [ГМ15].
По всем вопросам, связанным с курсом, просьба писать на ''bayesml@gmail.com'', в название письма обязательно добавлять [ГМ15].
 +
 +
== Экзамен ==
 +
Экзамен по курсу состоится 17 апреля в ауд. 637, начало в 11-00. На экзамене при подготовке билета разрешается пользоваться любыми материалами.
 +
 +
[[Media:GM15_exam_questions.pdf|Вопросы к экзамену + теоретический минимум (pdf)]]
 +
 +
== Практические задания ==
 +
 +
Задание 1. [[Media:Gm15_assignment1.pdf|Алгоритм Loopy Belief Propagation для низкоплотностных кодов]].
 +
 +
Задание 2. [[Media:GM15_assignment2.pdf|Алгоритмы минимизации энергии для задачи склеивания панорам]].
== Расписание занятий ==
== Расписание занятий ==
Строка 53: Строка 62:
| rowspan=2|3 апреля 2015 || rowspan=2 align="center"|8 || Лекция «Структурный метод опорных векторов (SSVM)» || [[Media:SMAIS11_SSVM.pdf|Конспект по SSVM]]
| rowspan=2|3 апреля 2015 || rowspan=2 align="center"|8 || Лекция «Структурный метод опорных векторов (SSVM)» || [[Media:SMAIS11_SSVM.pdf|Конспект по SSVM]]
|-
|-
-
| Семинар «Модель структурного SVM с латентными переменными» ||
+
| Семинар «Слабое обучение структурного SVM» ||
|-
|-
| rowspan=2|10 апреля 2015 || rowspan=2 align="center"|9 || Лекция «Подход Expectation Propagation для приближённого вывода в графических моделях» || [[Media:Yangel_MP.pdf|Методы вывода как алгоритмы передачи сообщений]]
| rowspan=2|10 апреля 2015 || rowspan=2 align="center"|9 || Лекция «Подход Expectation Propagation для приближённого вывода в графических моделях» || [[Media:Yangel_MP.pdf|Методы вывода как алгоритмы передачи сообщений]]
|-
|-
-
| Семинар «Вывод формул EP для различных моделей» || |
+
| Семинар «Вывод формул EP для различных моделей» || [[Media:Chistyakov_ep_trueskill.pdf|Презентация по TrueSkill]]
|}
|}
 +
 +
== Оценки по курсу ==
 +
 +
{|class = "standard"
 +
! rowspan=2|№ п/п !! rowspan=2|Студент !! colspan=2|Практические задания !! rowspan=2|Сумма !! rowspan=2|Экзамен !! rowspan=2|Оценка
 +
|-
 +
! №1 !! №2
 +
|-
 +
| align="center"|1 || Апишев Мурат || align="center"| <!--З1-->3.9 || align="center"| <!--З2-->7.0 || align="center"| <!--S-->10.9 || align="center"| <!--E-->0 || align="center"| <!--M-->
 +
|-
 +
| align="center"|2 || Готман Мария || align="center"| <!--З1-->2.3 || align="center"| <!--З2-->4.5 || align="center"| <!--S-->6.8 || align="center"| <!--E-->4 || align="center"| <!--M-->4
 +
|-
 +
| align="center"|3 || Дойков Никита || align="center"| <!--З1-->4.7 || align="center"| <!--З2-->4.4 || align="center"| <!--S-->9.1 || align="center"| <!--E-->5 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|4 || Козлов Владимир || align="center"| <!--З1-->3.6 || align="center"| <!--З2-->3.7 || align="center"| <!--S-->7.3 || align="center"| <!--E-->5 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|5 || Колмаков Евгений || align="center"| <!--З1-->4.1 || align="center"| <!--З2-->4.6 || align="center"| <!--S-->8.7 || align="center"| <!--E-->4 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|6 || Корольков Михаил || align="center"| <!--З1--> || align="center"| <!--З2-->3.9 || align="center"| <!--S-->3.9 || align="center"| <!--E-->0 || align="center"| <!--M-->
 +
|-
 +
| align="center"|7 || Лисяной Александр || align="center"| <!--З1-->3.7 || align="center"| <!--З2-->3.9 || align="center"| <!--S-->7.6 || align="center"| <!--E-->5 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|8 || Лукашкина Юлия || align="center"| <!--З1-->4.4 || align="center"| <!--З2-->7.0 || align="center"| <!--S-->11.4 || align="center"| <!--E-->4 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|9 || Ожерельев Илья || align="center"| <!--З1-->2 || align="center"| <!--З2-->4.5 || align="center"| <!--S-->6.5 || align="center"| <!--E-->5 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|10 || Родоманов Антон || align="center"| <!--З1-->2 || align="center"| <!--З2-->3.8 || align="center"| <!--S-->5.8 || align="center"| <!--E-->5 || align="center"| <!--M-->4
 +
|-
 +
| align="center"|11 || Сендерович Никита || align="center"| <!--З1-->4.3 || align="center"| <!--З2-->4.4 || align="center"| <!--S-->8.7 || align="center"| <!--E-->5 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|12 || Славнов Константин || align="center"| <!--З1-->4.6 || align="center"| <!--З2-->6.7 || align="center"| <!--S-->11.3 || align="center"| <!--E-->5 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|13 || Тюрин Александр || align="center"| <!--З1-->4 || align="center"| <!--З2-->5.0 || align="center"| <!--S-->9 || align="center"| <!--E-->5 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|14 || Хальман Михаил || align="center"| <!--З1-->1.5 || align="center"| <!--З2-->3.8 || align="center"| <!--S-->5.3 || align="center"| <!--E-->4 || align="center"| <!--M-->4
 +
|-
 +
| align="center"|15 || Хомутов Никита || align="center"| <!--З1-->3.2 || align="center"| <!--З2-->4.5 || align="center"| <!--S-->7.7 || align="center"| <!--E-->5 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|16 || Чистяков Александр || align="center"| <!--З1-->3.4 || align="center"| <!--З2-->7.0 || align="center"| <!--S-->10.4 || align="center"| <!--E-->5 || align="center"| <!--M-->5
 +
|-
 +
| align="center"|17 || Шапулин Андрей || align="center"| <!--З1-->1.8 || align="center"| <!--З2-->4.5 || align="center"| <!--S-->6.3 || align="center"| <!--E-->4 || align="center"| <!--M-->4
 +
|-
 +
| align="center"|18 || Шарчилев Борис (мехмат) || align="center"| <!--З1-->3.5 || align="center"| <!--З2--> || align="center"| <!--S-->3.5 || align="center"| <!--E--> || align="center"| <!--M-->
 +
|-
 +
|}
== Система выставления оценок по курсу ==
== Система выставления оценок по курсу ==
 +
 +
В рамках курса предполагается два практических задания. Каждое практическое задание оценивается из 5-ти баллов.
# При наличии несданных заданий максимальная возможная оценка за курс — это «удовлетворительно».
# При наличии несданных заданий максимальная возможная оценка за курс — это «удовлетворительно».
-
# Необходимым условием получения положительной оценки за курс является сдача не менее двух практических заданий и сдача устного экзамена не менее чем на оценку «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».
-
# Итоговая оценка вычисляется по формуле <tex>Mark = \frac{Oral*4+HomeWork}{8}</tex>, где Oral — оценка за устный экзамен (0, 3, 4, 5), HomeWork — баллы, набранные за практические задания (см. таблицу выше), Mark — итоговая оценка по 5-балльной шкале. Нецелые значения округляются в сторону ближайшего целого, <b>превосходящего</b> дробное значение. Максимальный балл за HomeWork равен 20.
+
# Итоговый балл за курс вычисляется по формуле Homework+2*Oral, где HomeWork — баллы, набранные за задания, а Oral — оценка за устный экзамен (0, 3, 4, 5). Для получения итоговой оценки 5 необходимо набрать 16 баллов, для оценки 4 — 13 баллов, для оценки 3 — 9 баллов.
-
# На экзамене студент может отказаться от оценки и пойти на пересдачу, на которой может заново получить Oral.
+
# Штраф за просрочку сдачи заданий начисляется из расчета 0.1 балла в день, но не более 3 баллов.
-
# 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, <b>добавляется</b> 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 <b>не суммируются</b>).
+
-
# Экзамен на оценку Oral сдается либо в срок основного экзамена, либо в срок официальных пересдач.
+
<!--
<!--

Текущая версия


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, М.В. Фигурнов.

По всем вопросам, связанным с курсом, просьба писать на bayesml@gmail.com, в название письма обязательно добавлять [ГМ15].

Экзамен

Экзамен по курсу состоится 17 апреля в ауд. 637, начало в 11-00. На экзамене при подготовке билета разрешается пользоваться любыми материалами.

Вопросы к экзамену + теоретический минимум (pdf)

Практические задания

Задание 1. Алгоритм Loopy Belief Propagation для низкоплотностных кодов.

Задание 2. Алгоритмы минимизации энергии для задачи склеивания панорам.

Расписание занятий

В 2015 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
13 февраля 2015 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
20 февраля 2015 2 Лекция «Алгоритм Belief Propagation (BP) для вывода в ациклических графических моделях. Алгоритм Loopy BP» Конспект по алгоритмам передачи сообщений
Семинар «Алгоритмы передачи сообщений»
27 февраля 2015 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»
6 марта 2015 4 Лекция «Скрытые марковские модели. Алгоритм сегментации сигнала, обучение с учителем и без учителя» Презентация 1, Презентация 2
Семинар «Расширения скрытых марковских моделей»
13 марта 2015 5 Лекция «Линейные динамические системы. Фильтр Калмана. Расширенный фильтр Калмана.» Конспект по ЛДС
Семинар «Вывод формул фильтра Калмана»
20 марта 2015 6 Лекция «Алгоритмы на основе разрезов графов, \alpha-расширение.» Презентация, конспект по разрезам графов
Семинар «Алгоритмы разрезов графов»
27 марта 2015 7 Лекция «Алгоритм Tree-ReWeighted Message Passing (TRW) для вывода в циклических графических моделях» Конспект по TRW
Семинар «Двойственное разложение»
3 апреля 2015 8 Лекция «Структурный метод опорных векторов (SSVM)» Конспект по SSVM
Семинар «Слабое обучение структурного SVM»
10 апреля 2015 9 Лекция «Подход Expectation Propagation для приближённого вывода в графических моделях» Методы вывода как алгоритмы передачи сообщений
Семинар «Вывод формул EP для различных моделей» Презентация по TrueSkill

Оценки по курсу

№ п/п Студент Практические задания Сумма Экзамен Оценка
№1 №2
1 Апишев Мурат 3.9 7.0 10.9 0
2 Готман Мария 2.3 4.5 6.8 4 4
3 Дойков Никита 4.7 4.4 9.1 5 5
4 Козлов Владимир 3.6 3.7 7.3 5 5
5 Колмаков Евгений 4.1 4.6 8.7 4 5
6 Корольков Михаил 3.9 3.9 0
7 Лисяной Александр 3.7 3.9 7.6 5 5
8 Лукашкина Юлия 4.4 7.0 11.4 4 5
9 Ожерельев Илья 2 4.5 6.5 5 5
10 Родоманов Антон 2 3.8 5.8 5 4
11 Сендерович Никита 4.3 4.4 8.7 5 5
12 Славнов Константин 4.6 6.7 11.3 5 5
13 Тюрин Александр 4 5.0 9 5 5
14 Хальман Михаил 1.5 3.8 5.3 4 4
15 Хомутов Никита 3.2 4.5 7.7 5 5
16 Чистяков Александр 3.4 7.0 10.4 5 5
17 Шапулин Андрей 1.8 4.5 6.3 4 4
18 Шарчилев Борис (мехмат) 3.5 3.5

Система выставления оценок по курсу

В рамках курса предполагается два практических задания. Каждое практическое задание оценивается из 5-ти баллов.

  1. При наличии несданных заданий максимальная возможная оценка за курс — это «удовлетворительно».
  2. Необходимым условием получения положительной оценки за курс является сдача не менее одного практического задания и сдача устного экзамена не менее чем на оценку «удовлетворительно».
  3. Итоговый балл за курс вычисляется по формуле Homework+2*Oral, где HomeWork — баллы, набранные за задания, а Oral — оценка за устный экзамен (0, 3, 4, 5). Для получения итоговой оценки 5 необходимо набрать 16 баллов, для оценки 4 — 13 баллов, для оценки 3 — 9 баллов.
  4. Штраф за просрочку сдачи заданий начисляется из расчета 0.1 балла в день, но не более 3 баллов.


Литература

  1. Barber D. Bayesian Reasoning and Machine Learning. Cambridge University Press, 2012.
  2. Murphy K.P. Machine Learning: A Probabilistic Perspective. The MIT Press, 2012.
  3. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006.
  4. Mackay D.J.C. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, 2003.
  5. Wainwright M.J., Jordan M.I. Graphical Models, Exponential Families, and Variational Inference. Foundations and Trends in Machine Learning, NOWPress, 2008.
  6. Koller D., Friedman N. Probabilistic Graphical Models: Principles and Techniques. The MIT Press, 2009.
  7. Cowell R.G., Dawid A.P., Lauritzen S.L., Spiegelhalter D.J. Probabilistic networks and expert systems. Berlin: Springer, 1999.
  8. Памятка по теории вероятностей

Страницы курса прошлых лет

2014 год

2013 год

2012 год

2011 год

2009 год

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

Личные инструменты