Графические модели (курс лекций)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Оценки)
(Оценки)
Строка 65: Строка 65:
! class="unsortable"|№ п/п !! Студент !! Задание 1 (3 балла) !! Задание 2 (4 балла) !! Задание 3 (4 балла) !! Задание 4 (3 балла) !! Задание 5 !! Задание 6 !! Сумма
! class="unsortable"|№ п/п !! Студент !! Задание 1 (3 балла) !! Задание 2 (4 балла) !! Задание 3 (4 балла) !! Задание 4 (3 балла) !! Задание 5 !! Задание 6 !! Сумма
|-
|-
-
| align="center"|1 || Александров Я. || 2 || 2.5 || 3 || 2 || || ||
+
| align="center"|1 || Александров Я. || 2 || 2.5 || 3 || 2 || X1-1 || ||
|-
|-
| align="center"|2 || Артюхин С. || 3 || 3 || 4 || 2 || X1, X2-0.5 || ||
| align="center"|2 || Артюхин С. || 3 || 3 || 4 || 2 || X1, X2-0.5 || ||
Строка 75: Строка 75:
| align="center"|5 || Елшин Д. || 3 || 3 || 4 || 2 || оба этапа сдано || ||
| align="center"|5 || Елшин Д. || 3 || 3 || 4 || 2 || оба этапа сдано || ||
|-
|-
-
| align="center"|6 || Ермушева А. || 2 || 2.5 || 2.5 || 2 || Х1-0.5 || ||
+
| align="center"|6 || Ермушева А. || 2 || 2.5 || 2.5 || 2 || Х1-0.5, X2-0.5 || ||
|-
|-
| align="center"|7 || Зимовнов А.|| 3 || 4 || 4 || 2 || оба этапа сдано || ||
| align="center"|7 || Зимовнов А.|| 3 || 4 || 4 || 2 || оба этапа сдано || ||
Строка 99: Строка 99:
| align="center"|17 || Полежаев В. || 3 || 2.5 || 4 || 2 || оба этапа сдано || ||
| align="center"|17 || Полежаев В. || 3 || 2.5 || 4 || 2 || оба этапа сдано || ||
|-
|-
-
| align="center"|18 || Сабурова М. || 3 || 3 || Х-2 || 1.5 || || ||
+
| align="center"|18 || Сабурова М. || 3 || 3 || Х-2 || 1.5 || X1-1 || ||
|-
|-
| align="center"|19 || Соколов Е.|| 3 || 4 || 4 || 2 || оба этапа сдано || ||
| align="center"|19 || Соколов Е.|| 3 || 4 || 4 || 2 || оба этапа сдано || ||

Версия 21:28, 16 мая 2012


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».

Лекторы: Д.П. Ветров, Д.А. Кропотов.

Семинарист: А.А. Осокин.

Расписание занятий

В 2012 году курс читается в весеннем семестре на факультете ВМиК МГУ по средам в ауд. 524, начало в 16-50.

ДатаЗанятиеМатериалы
8 февраля 2012 Лекция 1 «Графические модели: Байесовские и марковские сети» Презентация (PDF, 1.01 Мб)
15 февраля 2012  Лекция 2 «Точные методы вывода в ациклических графических моделях. Алгоритм Belief Propagation» Конспект (PDF, 64 Кб)
22 февраля 2012 Семинар 1
29 февраля 2012 Лекция 3 «Скрытые марковские модели. Алгоритм сегментации сигнала, обучение с учителем» Презентация (PDF, 700 Кб)
7 марта 2012 Лекция 4 «Задача фильтрации многомерных сигналов. Линейные динамические системы. Фильтр Калмана» Конспект (PDF, 281Кб)
14 марта 2012 Лекция 5 «ЕМ-алгоритм. Обучение скрытых марковских моделей и линейных динамических систем.» Презентация (PDF, 1.14 Мб)
21 марта 2012 Лекция 6 «Алгоритмы на основе разрезов графов, \alpha-расширение.» Презентация (PDF, 618 Кб)
28 марта 2012 Лекция 7 «Приближенные методы вывода в циклических графических моделях. Алгоритм Tree-ReWeighted Message Passing (TRW)» Конспект лекции (PDF, 86Кб)
4 апреля 2012 Семинар 2
11 апреля 2012 Лекция 8 «Структурный метод опорных векторов» Конспект (PDF, 103Кб)
18 апреля 2012 Лекция 9 «Методы Монте Карло по схеме марковских цепей» Конспект (PDF, 121Кб)
25 апреля 2012 Лекция 10 «Вариационный вывод» Конспект1 (JPG, 930Кб), Конспект2 (JPG, 900Кб)
2 мая 2012 Семинар 3
16 мая 2012 Лекция 11 «Использование графических моделей для решения различных прикладных задач анализа данных»

Практические задания

Задание 1. «Алгоритмы передачи сообщений».

Задание 2. «Динамические системы и фильтр Калмана».

Задание 3. «TRW и α-расширение».

Задание 4. «Разрезы графов и двойственное разложение».

Задание 5. «Структурное обучение».

Задание 6. «Модель Изинга».

Оценки

№ п/п Студент Задание 1 (3 балла) Задание 2 (4 балла) Задание 3 (4 балла) Задание 4 (3 балла) Задание 5 Задание 6 Сумма
1 Александров Я. 2 2.5 3 2 X1-1
2 Артюхин С. 3 3 4 2 X1, X2-0.5
3 Бобрик К. 3 2.5 3
4 Гаврилюк К. 3 3 4 2 оба этапа сдано
5 Елшин Д. 3 3 4 2 оба этапа сдано
6 Ермушева А. 2 2.5 2.5 2 Х1-0.5, X2-0.5
7 Зимовнов А. 3 4 4 2 оба этапа сдано
8 Игнатьев О. 3 3 2.5 X-2.5 Х1-1, X2-0.5
9 Кириллов А. 3 3 4 2 оба этапа сдано
10 Марченко Е. 3 3 2.5 2
11 Матвеева Д. 3 3 4 2 оба этапа сдано
12 Меркулова Т. 2.9 2.5 3
13 Некрасов К. 3 3.5 3 2
14 Новиков П. 3 3 3.5 1.5
15 Панов А. 3 3 3.5 1.5 оба этапа сдано
16 Плященко Е. 2 4 1.5 1.5 Х1-0.5, Х2-0.5
17 Полежаев В. 3 2.5 4 2 оба этапа сдано
18 Сабурова М. 3 3 Х-2 1.5 X1-1
19 Соколов Е. 3 4 4 2 оба этапа сдано
20 Фигурнов М. 3 3 4 2 Х1, Х2-0.5
21 Цупков С. 3 3.5 3.5 3 Х1-0.5, Х2-0.5
22 Шанин И. не получено 1.5
24 Ульянов Д. (212) 3 4 3.25 1.5

Программа курса

Введение в курс и понятие графических моделей. Байесовские и марковские сети.

Обзор курса. Задачи анализа структурированных данных. Представление зависимостей между объектами в виде графов. Байесовские сети. Элементарные способы работы с байесовскими сетями. Марковские сети. Потенциалы на кликах. Примеры использования марковских сетей для анализа изображений.

Ликбез: независимость случайных событий. Условная вероятность. Условная независимость.

Статья в Википедии по графическим моделям

Презентация лекции (PDF, 1.01 Мб)

Точные методы вывода в ациклических графических моделях: Алгоритм Belief Propagation.

Поиск наиболее вероятной конфигурации ацикличной марковской сети с помощью алгоритма Belief Propagation (динамическое программирование). Интерфейс передачи сообщений. Подсчет мин-маргиналов. Поиск маргинальных распределений для графических моделей в форме дерева. Использование произвольных полукольцевых операций в графических моделях.

Конспект лекции (PDF, 64 Кб)
Статья в Википедии про алгоритм Belief Propagation

Скрытые марковские модели (СММ). Алгоритм сегментации сигнала

Примеры задач сегментации сигналов. Обучение СММ с учителем. Поиск наиболее вероятной последовательности состояний (алгоритм Витерби).

Линейные динамические системы. Фильтр Калмана

Свойства многомерного нормального распределения. Задача сопровождения объекта. Линейные динамические системы, фильтр Калмана. Обучение параметров линейной динамической системы с учителем. Расширенный фильтр Калмана, пример использования.

Конспект лекции (PDF, 281Кб)

Обучение СММ без учителя

ЕМ-алгоритм и его использование в анализе графических моделей. Алгоритм Баума-Уэлша для подсчета условного распределения скрытой переменной в отдельной точке. ЕМ-алгоритм для обучения СММ без учителя. Особенности численной реализации на ЭВМ. Модификации СММ (СММ высших порядков, факториальные СММ, многопоточные СММ, СММ ввода-вывода). Примеры использования СММ.

Презентация (PDF, 1.2Мб)

Алгоритмы на основе разрезов графов

Энергетическая формулировка задач компьютерного зрения. Разрезы графов, алгоритмы нахождения максимального потока. Интерактивная сегментация изображений. Энергия, которую можно минимизировать с помощью разрезов графов. Приближенная минимизация энергии с помощью алгоритма альфа-расширения.

Презентация (PDF, 618 Кб)

Приближенные методы вывода в графических моделях: Tree-ReWeighted Message Passing (TRW).

ЛП-релаксация задачи байесовского вывода. Двойственное разложение. Независимость алгоритма TRW от способа разбиений на деревья. Свойства алгоритма TRW для субмодулярной энергии.

Конспект лекции (PDF, 86Кб)

Методы настройки марковских случайных полей. Структурный метод опорных векторов.

Задача структурного обучения. Метод опорных векторов для случая многих классов. Структурный метод опорных векторов. Обучение с помощью метода отсекающей плоскости. Обучение с помощью двойственной задачи. Примеры.

Конспект лекции (PDF, 103Кб)

Методы Монте Карло по схеме марковских цепей

Генерация выборки из одномерных распределений. Теоретические свойства марковских цепей: однородность, эргодичность и инвариантные распределения. Схема Метрополиса-Хастингса. Схема Гиббса. Примеры применения для дискретных марковских сетей. Фильтр частиц.

Конспект лекции (PDF, 121Кб)

Вариационный вывод

Литература

  1. Памятка по теории вероятностей
  2. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006.
  3. Mackay D.J.C. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, 2003.
  4. Jordan M.I. (Ed.) Learning in graphical models. Cambridge MA: MIT Press, 1999
  5. Cowell R.G., Dawid A.P., Lauritzen S.L., Spiegelhalter D.J. Probabilistic networks and expert systems. Berlin: Springer, 1999.

Страницы курса прошлых лет

2009 год

2011 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