Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 474, осень 2018
Материал из MachineLearning.
(Различия между версиями)
м |
|||
| (33 промежуточные версии не показаны) | |||
| Строка 3: | Строка 3: | ||
'''Байесовский выбор моделей''' | '''Байесовский выбор моделей''' | ||
| - | |||
Курс лекций, преподаватель Александр Александрович Адуенко | Курс лекций, преподаватель Александр Александрович Адуенко | ||
| + | * Короткий адрес страницы [http://bit.ly/2PKwrkp http://bit.ly/2PKwrkp] | ||
* [[Media:Aduenko2018Introduction.pdf|Лекция 1: Введение]] | * [[Media:Aduenko2018Introduction.pdf|Лекция 1: Введение]] | ||
* [[Media:Bayes_theory_1.pdf|Задание 1]] | * [[Media:Bayes_theory_1.pdf|Задание 1]] | ||
| Строка 11: | Строка 11: | ||
* [[Media:Bayes_test_1.pdf|Тест 1]] | * [[Media:Bayes_test_1.pdf|Тест 1]] | ||
* [[Media:Aduenko2018Introduction3.pdf|Лекция 3: Введение]] | * [[Media:Aduenko2018Introduction3.pdf|Лекция 3: Введение]] | ||
| - | * [[Media:Aduenko2018Evidence.pdf|Лекция 4: Байесовская линейная регрессия и понятие обоснованности]] | + | * [[Media:Aduenko2018Evidence.pdf|Лекция 4: Байесовская линейная регрессия и понятие обоснованности-1]] |
| + | * [[Media:Bayes_applied_1.pdf|Практическое задание 1]] | ||
| + | * [https://drive.google.com/file/d/1J87_cMFjokCSRqZbxH1odBVIeS7a--1t/view?usp=sharing Данные для практического задания 1] | ||
| + | * [[Media:Aduenko2018Evidence2.pdf|Лекция 5: Байесовская линейная регрессия и понятие обоснованности-2]] | ||
| + | * [[Media:Bayes_theory_2.pdf|Задание 2]] | ||
| + | * [[Media:Aduenko2018EvidenceLogRegression.pdf|Лекция 6: Обоснованность и отбор признаков в линейной и логистической регрессии]] | ||
| + | * [[Media:Aduenko2018EvidenceLog.pdf|Лекция 7: Обоснованность и отбор признаков в логистической регрессии]] | ||
| + | * [[Media:Aduenko2018EM.pdf|Лекция 8: EM-алгоритм для максимизации обоснованности]] | ||
| + | * [[Media:Bayes_applied_1_finalizing.pdf|Практическое задание 1 (дорешивание, описание способа оценивания)]] | ||
| + | * [[Media:Bayes_theory_3_new.pdf|Задание 3]] | ||
| + | * [[Media:Aduenko2018VariationalEM_new.pdf|Лекция 9: Вариационный EM-алгоритм]] | ||
| + | * [[Media:Bayes_theory_4.pdf|Задание 4]] | ||
| + | * [[Media:Aduenko2018GPEvolution_new.pdf|Лекция 10: Гауссовские процессы для учёта эволюции модели]] | ||
| + | * [[Media:Bayes_applied_2.pdf|Практическое задание 2]] | ||
| + | * [[Media:Aduenko2018MCMC.pdf|Лекция 11: Методы Монте-Карло по схеме марковских цепей]] | ||
| + | * [[Media:Aduenko2018MultimodelSelection.pdf|Лекция 12: Построение адекватных мультимоделей]] | ||
| - | |||
| - | |||
== Дополнительные материалы == | == Дополнительные материалы == | ||
# См. последний слайд каждой лекции со списком литературы. | # См. последний слайд каждой лекции со списком литературы. | ||
Текущая версия
Байесовский выбор моделей
Курс лекций, преподаватель Александр Александрович Адуенко
- Короткий адрес страницы http://bit.ly/2PKwrkp
- Лекция 1: Введение
- Задание 1
- Лекция 2: Введение
- Тест 1
- Лекция 3: Введение
- Лекция 4: Байесовская линейная регрессия и понятие обоснованности-1
- Практическое задание 1
- Данные для практического задания 1
- Лекция 5: Байесовская линейная регрессия и понятие обоснованности-2
- Задание 2
- Лекция 6: Обоснованность и отбор признаков в линейной и логистической регрессии
- Лекция 7: Обоснованность и отбор признаков в логистической регрессии
- Лекция 8: EM-алгоритм для максимизации обоснованности
- Практическое задание 1 (дорешивание, описание способа оценивания)
- Задание 3
- Лекция 9: Вариационный EM-алгоритм
- Задание 4
- Лекция 10: Гауссовские процессы для учёта эволюции модели
- Практическое задание 2
- Лекция 11: Методы Монте-Карло по схеме марковских цепей
- Лекция 12: Построение адекватных мультимоделей
Дополнительные материалы
- См. последний слайд каждой лекции со списком литературы.
- David MacKay, 2005, Information Theory, Inference, and Learning Algorithms
- Christopher Bishop, 2006, Pattern Recognition and Machine Learning
- David Barber, 2014, Bayesian Reasoning and Machine Learning
- Daphne Koller and Nir Friedman, 2009, Probabilistic Graphical Models
- Kevin P. Murphy, 2012, Machine Learning: a Probabilistic Perspective
