Занятия проходят по субботам, 13:00 — 16:00, онлайн.
Чат в telegram: https://t.me/joinchat/wEUK966fHAk0Njdi
Здесь будет Anytask курса (инвайт 8shcns1)
В курсе предусмотрено несколько форм контроля знания:
- Домашние работы (практика на Python/NumPy и теоретические задачи, ориентировочно две работы)
- Контрольная работа (тест) в середине модуля
- Экзамен (письменная работа) в конце модуля - блокирующий!
Итоговая оценка вычисляется на основе оценки за работу в семестре и оценки за экзамен:
Oитоговая = 0.5 * Одомашние задания + 0.2 * Оконтрольная работа + 0.3 * Оэкзамен
при условии получения положительной оценки за экзамен (не менее 3.5 баллов).
Оценка за домашнюю работу вычисляется как среднее по домашним заданиям. К итоговой оценке применяется арифметическое округление.
После занятий могут выдаваться необязательные теоретические или практические задания для самостоятельной работы. Эти задания не сдаются и не проверяются. Однако задачи из необязательных теоретических заданий могут встретиться в контрольной работе или экзамене (или похожие задачи). Необязательные практические задания выдаются для желающих дополнительно потренироваться в реализации изучаемых методов.
Экзамен письменный, работа состоит из теоретических вопросов из списка вопросов (возможны измененные формулировки) и теоретических задач. Продолжительность написания: 1 час 30 минут. На экзамене можно пользоваться одним листом размера А5 (половина стандартного А4), написанным от руки.
В середине курса проводится контрольная работа в виде теста по материалам нескольких первых занятий. Вопросы для подготовки
У домашнего задания есть два дедлайна: мягкий и жесткий. Жесткий дедлайн обычно через неделю после мягкого. За сдачу после мягкого дедлайна применяется штраф -1 балл за каждый день просрочки. После жесткого дедлайна сдать работу нельзя.
При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам. Это очень строгое правило!
Приведены материалы прошлого года, по мере необходимости они могут обновляться.
Занятие 1. Введение в байесовские методы. Сопряженные распределения
- Презентация
- Задачи на занятии
- Задание для самостоятельной работы (кроме пункта 6)
Занятие 2. Байесовская линейная регрессия
Занятие 3. Вариационный вывод и байесовские нейронные сети
Занятие 4. Методы Markov Chain Monte Carlo
Занятие 5. Гауссовские процессы и байесовская оптимизация
Занятие 6. Модели с латентными переменными и EM-алгоритм
Занятие 7. Вариационные автокодировщики
- Задание 1. Мягкий дедлайн: 26 сентября 23:59, жесткий дедлайн: 3 октября 23:59.
- Задание 2.. Жесткий дедлайн: 26 октября 23:59. Мягкого дедлайна нет.
Книги:
- 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.
- Tipping M. Sparse Bayesian Learning. Journal of Machine Learning Research, 1, 2001, pp. 211-244.
- Шумский С.А. Байесова регуляризация обучения. В сб. Лекции по нейроинформатике, часть 2, 2002.
Простые и удобные заметки по матричным вычислениям и свойствам гауссовских распределений.
Памятка по теории вероятностей.