PředmětyPředměty(verze: 811)
Předmět, akademický rok 2017/2018
   Přihlásit přes CAS
Bayesovská inference - NPFL108
Anglický název: Bayesian inference
Zajišťuje: Ústav formální a aplikované lingvistiky (32-UFAL)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2017
Semestr: letní
E-Kredity: 5
Rozsah, examinace: letní s.:2/1 Z(+Zk) [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Stav předmětu: nevyučován
Jazyk výuky: čeština, angličtina
Způsob výuky: prezenční
Garant: Mgr. Ing. Filip Jurčíček, Ph.D.
Anotace -
Poslední úprava: Helena Kisvetrová (15.02.2013)

Předmět je zaměřen na seznámení studentů s moderními metodami Bayesovské inference. Forma předmětu je formou přednášek pozvaných odborníků z Machine Learning Group, Cambridge Univerzity, UK. Více informací je dostupných na https://sites.google.com/site/filipjurcicek/teaching/bayesian-inference.
Literatura -
Poslední úprava: JUDr. Dana Macharová (13.02.2013)

[1] D. Koller, N. Friedman: Probabilistic Graphical Models: Principles and Techniques (Adaptive Computation and Machine Learning series), The MIT Press, 2009, p. 1280

[2] C. M. Bishop, Pattern Recognition and Machine Learning, vol. 4, no. 4. Springer, 2006, p. 738.

Sylabus -
Poslední úprava: JUDr. Dana Macharová (13.02.2013)

Témata přednášek:

inference v Bayesovských sítích,

aproximativní Bayesovské techniky v Bayesovských sítích,

variační Bayesovské techniky,

algoritmus Expectation-Propagation,

metody Markov-Chain Monte-Carlo založené na samplovaní, např. Gibbs, Metropolis-Hastings, nebo slice sampling,

ne-parametrické Bayesovské metody, např. Gausovské processy a Dirichletovy procesy,

Bayesovské přístupy vynucují řídkost modelu: spike a slab priors, využití podmíněné nezávislosti,

Bayesovské metody pro faktorizaci matic,

Bayesovské směsi normálních rozdělení.

 
Univerzita Karlova | Informační systém UK