Графические модели (курс лекций)/2016
Материал из MachineLearning.
(→Задания) |
|||
Строка 1: | Строка 1: | ||
__NOTOC__ | __NOTOC__ | ||
- | {{notice|Внимание! | + | {{notice|Внимание! Выложено второе домашнее задание.}} |
{|border = "0" | {|border = "0" |
Версия 16:52, 18 апреля 2016
Внимание! Выложено второе домашнее задание. |
Лектор: Д.П. Ветров,
Семинаристы: Д.А. Кропотов, Михаил Хальман.
По всем вопросам, связанным с курсом, просьба писать на bayesml@gmail.com, в название письма обязательно добавлять [ГМ16].
Таблица с результатами находится здесь.
Задания
Домашнее задание 2. Двойственные задачи . Срок сдачи — 24 апреля, 23:59.
Практическое задание 2. Алгоритмы минимизации энергии для задачи склеивания панорам. Срок сдачи — 1 апреля, 23:59.
Домашнее задание 1. Линейные динамические системы. Срок сдачи — 18 марта, 23:59.
Практическое задание 1. Алгоритм Loopy Belief Propagation для низкоплотностных кодов. Срок сдачи — 13 марта, 23:59.
Расписание занятий
В 2016 году курс читается на факультете ВМиК МГУ по пятницам в ауд. 579, начало в 14-35 (лекция) и 16-20 (семинар).
Дата | № занятия | Занятие | Материалы |
---|---|---|---|
12 февраля 2016 | 1 | Лекция «Графические модели: байесовские и марковские сети, примеры применения» | Презентация по байесовским рассуждениям и графическим моделям |
Семинар «Фактор-графы, задачи вывода в ГМ, решение практических задач с помощью ГМ» | Презентация по практическим задачам | ||
19 февраля 2016 | 2 | Лекция «Алгоритм Belief Propagation (BP) для вывода в ациклических графических моделях» | Конспект по алгоритмам передачи сообщений |
Семинар «Алгоритмы передачи сообщений» | |||
26 февраля 2016 | 3 | Лекция «Помехоустойчивое кодирование, теорема Шеннона, линейные коды, коды с малой плотностью проверок на чётность» | LDPC-коды в Википедии |
Семинар «Вывод формул для алгоритма декодирования в LDPC-кодах, выдача задания по кодированию» | |||
4 марта 2016 | 4 | Лекция «Скрытые марковские модели. Алгоритм сегментации сигнала, обучение с учителем и без учителя» | Презентация 1, Презентация 2 |
Семинар «Расширения скрытых марковских моделей» | |||
11 марта 2016 | 5 | Лекция «Линейные динамические системы. Фильтр Калмана. Расширенный фильтр Калмана.» | Конспект по ЛДС |
Семинар «Вывод формул фильтра Калмана» | |||
18 марта 2016 | 6 | Лекция «Алгоритмы на основе разрезов графов, -расширение.» | Презентация, конспект по разрезам графов |
Семинар «Алгоритмы разрезов графов» | |||
25 марта 2016 | 7 | Лекция «Алгоритм Tree-ReWeighted Message Passing (TRW) для вывода в циклических графических моделях» | Конспект по TRW |
Семинар «Двойственное разложение» | |||
1 апреля 2016 | 8 | Лекция «Структурный метод опорных векторов (SSVM)» | Конспект по SSVM |
Семинар «Слабое обучение структурного SVM» | |||
8 апреля 2016 | 9 | Лекция «Вариационная передача сообщений» | Методы вывода как алгоритмы передачи сообщений |
Семинар «Фильтр частиц» | |||
15 апреля 2016 | 10 | Лекция «Подход Expectation Propagation для приближённого вывода в графических моделях» | |
Семинар «Вывод формул EP для различных моделей» | Презентация по TrueSkill |
Система выставления оценок по курсу
В рамках курса предполагается два практических задания и два домашних задания. Каждое практическое задание оценивается из 5-ти баллов, домашнее задание – из 2-х баллов.
- При наличии несданных заданий максимальная возможная оценка за курс — это «удовлетворительно».
- Необходимым условием получения положительной оценки за курс является сдача не менее одного практического задания, не менее одного домашнего задания и сдача устного экзамена не менее чем на оценку «удовлетворительно».
- Итоговый балл за курс вычисляется по формуле , где HomeWork — баллы, набранные за задания, а Oral — оценка за устный экзамен (0, 3, 4, 5). Для получения итоговой оценки 5 необходимо набрать 8 итоговых баллов, для оценки 4 — 6 баллов, для оценки 3 — 4 балла.
- Штраф за просрочку сдачи заданий начисляется из расчета 0.1 балла в день, но не более 3 баллов.
Литература
- Barber D. Bayesian Reasoning and Machine Learning. Cambridge University Press, 2012.
- Murphy K.P. Machine Learning: A Probabilistic Perspective. The MIT Press, 2012.
- Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006.
- Mackay D.J.C. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, 2003.
- Wainwright M.J., Jordan M.I. Graphical Models, Exponential Families, and Variational Inference. Foundations and Trends in Machine Learning, NOWPress, 2008.
- Koller D., Friedman N. Probabilistic Graphical Models: Principles and Techniques. The MIT Press, 2009.
Страницы курса прошлых лет
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