Bayesovská inference - NPFL108

• Anglický název: Bayesian inference
• Zajišťuje: Ústav formální a aplikované lingvistiky (32-UFAL)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2020
• Semestr: letní
• E-Kredity: 5
• Rozsah, examinace: letní s.:2/1, Z(+Zk) [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: zrušen
• Jazyk výuky: čeština, angličtina
• Způsob výuky: prezenční
• Garant: Mgr. Ing. Filip Jurčíček, Ph.D.

Anotace

čeština

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.

Poslední úprava: Kisvetrová Helena (15.02.2013)

angličtina

The course aims to provide students with basic understanding of modern Bayesian inference methods. The course will be composed of a series of lectures presented by experts from the Machine Learning Group, Cambridge University, UK. More information is available at https://sites.google.com/site/filipjurcicek/teaching/bayesian-inference.

Poslední úprava: Kisvetrová Helena (15.02.2013)

Literatura

čeština

[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.

Poslední úprava: Macharová Dana, JUDr. (13.02.2013)

angličtina

[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.

Poslední úprava: Macharová Dana, JUDr. (14.02.2013)

Sylabus

čeština

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.

Poslední úprava: Macharová Dana, JUDr. (13.02.2013)

angličtina

Lecture topics:

Introduction to Bayesian Machine Learning: probabilistic models, inference, Bayes rule.

Approximate Inference: sampling methods, variational Bayes and expectation propagation.

Non-parametric Bayesian Methods: Gaussian processes and Dirichlet processes.

Bayesian Sparsity: spike and slab priors, dependency in sparsity enforcing priors, group sparsity.

Bayesian Latent Variable Methods: probabilistic matrix factorizations,

Bayesian mixtures of Gaussians.

Poslední úprava: Macharová Dana, JUDr. (14.02.2013)