Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 474, осень 2018

Материал из MachineLearning.

Основная статья: Численные методы обучения по прецедентам (практика, В.В. Стрижов)

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

1. См. последний слайд каждой лекции со списком литературы.
2. David MacKay, 2005, Information Theory, Inference, and Learning Algorithms
3. Christopher Bishop, 2006, Pattern Recognition and Machine Learning
4. David Barber, 2014, Bayesian Reasoning and Machine Learning
5. Daphne Koller and Nir Friedman, 2009, Probabilistic Graphical Models
6. Kevin P. Murphy, 2012, Machine Learning: a Probabilistic Perspective