Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 474, осень 2018
Материал из MachineLearning.
(Различия между версиями)
м |
|||
(3 промежуточные версии не показаны) | |||
Строка 25: | Строка 25: | ||
* [[Media:Aduenko2018GPEvolution_new.pdf|Лекция 10: Гауссовские процессы для учёта эволюции модели]] | * [[Media:Aduenko2018GPEvolution_new.pdf|Лекция 10: Гауссовские процессы для учёта эволюции модели]] | ||
* [[Media:Bayes_applied_2.pdf|Практическое задание 2]] | * [[Media:Bayes_applied_2.pdf|Практическое задание 2]] | ||
- | * [[Media: | + | * [[Media:Aduenko2018MCMC.pdf|Лекция 11: Методы Монте-Карло по схеме марковских цепей]] |
+ | * [[Media:Aduenko2018MultimodelSelection.pdf|Лекция 12: Построение адекватных мультимоделей]] | ||
== Дополнительные материалы == | == Дополнительные материалы == |
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