Нейробайесовские методы машинного обучения (курс лекций) / 2018

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Расписание занятий)
(Литература)
Строка 66: Строка 66:
# ''Bishop C.M.'' [http://www.twirpx.com/file/146159/ Pattern Recognition and Machine Learning.] Springer, 2006.
# ''Bishop C.M.'' [http://www.twirpx.com/file/146159/ Pattern Recognition and Machine Learning.] Springer, 2006.
# ''Mackay D.J.C.'' [http://www.inference.phy.cam.ac.uk/mackay/itila/book.html Information Theory, Inference, and Learning Algorithms.] Cambridge University Press, 2003.
# ''Mackay D.J.C.'' [http://www.inference.phy.cam.ac.uk/mackay/itila/book.html Information Theory, Inference, and Learning Algorithms.] Cambridge University Press, 2003.
 +
# "Ian Goodfellow and Yoshua Bengio and Aaron Courville" [http://www.deeplearningbook.org/ Deep Learning.] MIT Press, 2016.
== См. также ==
== См. также ==

Версия 08:01, 16 февраля 2018


Курс посвящен применению байесовских методов в глубинном обучении. Более развернутое описание курса появится в скором времени.

Лектор: Д.П. Ветров,

Семинаристы: Екатерина Лобачева, Кирилл Струминский, Алексей Умнов, Дмитрий Молчанов, Артём Соболев, Дмитрий Подоприхин.

По всем вопросам, связанным с курсом, просьба писать на bayesml@gmail.com, в название письма обязательно добавлять [ВМК НБМ18].

Новости

В данном разделе будут появляться новости курса.

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. ???, 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» -
Семинар «Применение SVI на примере масштабируемых тематических моделей» -
2 марта 2018 3 Лекция «Вариационный автокодировщик, нормализующие потоки для вариационного вывода» -
Семинар «Репараметризация, оценки с выборкой по значимости (IWAE)» -
16 марта 2018 4 Лекция «Оценка отношения плотностей распределений, применение на примере \alpha-GAN» -
Семинар «f-GAN» -
23 марта 2018 5 Лекция «Байесовские нейронные сети» -
Семинар «Локальная репараметризация» -
30 марта 2018 6 Лекция «Байесовское сжатие нейронных сетей» -
Семинар «Тернарные сети, структурное байесовское разреживание» -
6 апреля 2018 7 Лекция «Методы снижения дисперсии в моделях со скрытыми переменными» -
Семинар «Обобщенная репараметризация, REBAR, RELAX» -

Система выставления оценок по курсу

В рамках курса предполагается два практических задания. Каждое задание оценивается из 10-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 0.25*<Оценка_за_задание_1> + 0.25*<Оценка_за_задание_2> + 0.5*<Оценка_за_экзамен> с округлением в большую сторону.
  4. Штраф за просрочку сдачи заданий начисляется из расчета 0.3 балла в день, но не более 6 баллов.

Литература

  1. Murphy K.P. Machine Learning: A Probabilistic Perspective. The MIT Press, 2012.
  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. "Ian Goodfellow and Yoshua Bengio and Aaron Courville" Deep Learning. MIT Press, 2016.

См. также

Курс «Байесовские методы машинного обучения»

Личные инструменты