Графические модели (курс лекций)/2018
Материал из MachineLearning.
м |
|||
| Строка 11: | Строка 11: | ||
== Новости == | == Новости == | ||
| - | + | '''16.03.18''': {{важно|Внимание! Сегодня занятия по курсу отменяются.}} | |
== Практические задания == | == Практические задания == | ||
Версия 05:09, 16 марта 2018
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, помехоустойчивое кодирование, 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.А. Кропотов,
Ассистент: Тимур Гарипов.
По всем вопросам, связанным с курсом, просьба писать на bayesml@gmail.com, в название письма обязательно добавлять [ВМК ГМ18].
Новости
16.03.18: Внимание! Сегодня занятия по курсу отменяются.
Практические задания
Приём заданий по курсу осуществляется в системе anytask.org. Инвайт: CAicCUv
Система выставления оценок по курсу
- В рамках курса предполагается два практических задания и экзамен. Каждое задание оценивается из 5-ти баллов.
- 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.
- Для оценок «отлично» и «хорошо» необходимо сдать на положительный балл оба практических задания и экзамен. Для получения оценки «удовлетворительно» необходимо сдать одно практическое задание и экзамен.
- Штраф за просрочку сдачи заданий начисляется из расчета 0.1 балла в день, но суммарно не более 3 баллов.
Расписание занятий
В 2018 году курс читается на факультете ВМиК МГУ по пятницам в ауд. 607, начало в 10-30 (лекция) и 12-15 (семинар).
| Дата | № занятия | Занятие | Материалы |
|---|---|---|---|
| 9 февраля 2018 | 1 | Графические модели: байесовские и марковские сети, примеры применения, алгоритм Belief Propagation (BP) для вывода в ациклических графических моделях | |
| 16 февраля 2018 | 2 | Помехоустойчивое кодирование, теорема Шеннона, линейные коды, коды с малой плотностью проверок на чётность | |
| 2 марта 2018 | 3 | Скрытые марковские модели и линейные динамические системы. Фильтр Калмана. | |
| 16 марта 2018 | 4 | Алгоритмы на основе разрезов графов, | |
| 23 марта 2018 | 5 | Алгоритм Tree-ReWeighted Message Passing (TRW) для вывода в циклических графических моделях | |
| 30 марта 2018 | 6 | Подход Expectation Propagation для приближённого вывода в графических моделях, модель TrueSkill | |
| 6 апреля 2018 | 7 | Структурное обучение, структурный метод опорных векторов |
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
