PředmětyPředměty(verze: 845)
Předmět, akademický rok 2018/2019
   Přihlásit přes CAS
Vybrané problémy ve strojovém učení - NPFL097
Anglický název: Selected Problems in Machine Learning
Zajišťuje: Ústav formální a aplikované lingvistiky (32-UFAL)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2018 do 2018
Semestr: zimní
E-Kredity: 3
Rozsah, examinace: zimní s.:0/2 Z [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Stav předmětu: vyučován
Jazyk výuky: čeština, angličtina
Způsob výuky: prezenční
Další informace: http://ufal.mff.cuni.cz/courses/npfl097
Garant: RNDr. David Mareček, Ph.D.
Třída: Informatika Mgr. - volitelný
Kategorizace předmětu: Informatika > Počítačová a formální lingvistika
Anotace -
Poslední úprava: Mgr. Barbora Vidová Hladká, Ph.D. (01.02.2019)
Seminář je zaměřen na hlubší pochopení vybraných metod strojového učení pro studenty, kteří již získali základní znalost strojového učení a pravděpodobnostních modelů. První půlka semestru je věnována metodám neřízeného učení pomocí Bayesovské inference (Chinese restaurant process, Pitman-Yor process, Gibbs sampling) a konkrétním implementacím těchto metod na vybraných úlohách. Další témata jsou pak přizpůsobena zájmu studentů.
Podmínky zakončení předmětu -
Poslední úprava: RNDr. David Mareček, Ph.D. (24.04.2019)

Pro udělení zápočtu je třeba naimplementovat a včas odevzdat tři zadané úlohy. Chybějící body lze získat za přednesený referát týkající se nějaké metody nebo úlohy strojového učení.

Literatura -
Poslední úprava: RNDr. David Mareček, Ph.D. (24.04.2019)

Christopher Bishop: Pattern Recognition and Machine Learning, Springer-Verlag New York, 2006

Kevin P. Murphy: Machine Learning: A Probabilistic Perspective, The MIT Press, Cambridge, Massachusetts, 2012

Kar Wi Lim, Wray Buntine, Changyou Chen, Lan Du: Nonparametric Bayesian topic modelling with the hierarchical Pitman-Yor processes, International Journal of Approximate Reasoning 78, Elsevier, 2016

Kevin Knight: Bayesian Inference with Tears, 2009, http://www.isi.edu/natural-language/people/bayes-with-tears.pdf

Sylabus - angličtina
Poslední úprava: RNDr. David Mareček, Ph.D. (24.04.2019)

1. Introduction

2. Beta-Bernouli and Dirichlet-Categorial models Beta-Bernouli Dirichlet-Categorial Beta distribution

3. Modeling document collections, Categorical Mixture models, Expectation-Maximization Document collections Categorial Mixture Models

4. Gibbs Sampling, Latent Dirichlet allocation Gibbs Sampling Latent Dirichlet allocation Latent Dirichlet Allocation

5. Text segmentation Bayessian inference with Tears Unuspervised text segmentation

6. Finding motifs Finding Motifs in DNA Finding motifs in DNA

7. Inspecting Neural Networks

8. Sentence Structures

 
Univerzita Karlova | Informační systém UK