Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2018/2019

Bayesovské metody ve strojovém učení

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
MI-BML KZ 5 2+1 česky
Přednášející:
Ondřej Tichý (gar.), Kamil Dedecius (gar.)
Cvičící:
Ondřej Tichý (gar.), Kamil Dedecius (gar.)
Předmět zajišťuje:
katedra aplikované matematiky
Anotace:

Předmět je zaměřen na praktické využití základních metod bayesovského modelování v dynamicky se rozvíjející oblasti machine learningu, konkrétně na popis reálných jevů vhodně sestavenými modely s jejich následným využitím např. pro předpověď budoucího vývoje nebo pro získání i nformací o vnitřní proměnné (skutečné polohy objektu ze zašuměných měření aj.). Důraz je kladen na pochopení vyložených principů a metod a zejména jejich praktické osvojení, k čemuž slouží řada reálných příkladů a aplikací (např. sledování objektů ve 2D/3D, odhadování zdrojů radiačních úniků, separace medicínských obrazových dat), s nimiž bude student seznámen a/nebo které se sám pokusí řešit.

Požadavky:
Osnova přednášek:

1. Základy a specifika bayesovské teorie - neurčitost, vývoj znalosti, typy odhadů, metody.

2. Základní pojmy machine learningu z pohledu bayesovství, regrese, klasifikace, příklady.

3. Lineární model, existence analytického řešení, odhad struktury, regularizace volbou apriorna.

4. Sekvenční (online) odhad lineárních modelů, predikce, příklady.

5. Zobecněné lineární modely, aproximace a sekvenční (online) odhad.

6. Aplikace zobecněných lineárních modelů v praktických problémech machine learningu.

7. Bilineární modely a bayesovský přístup k PCA, odhad počtu komponent.

8. Základní stavové modely, Kalmanův filtr.

9. Sekvenční Monte Carlo odhad stavového modelu, bootstrap particle filtr.

10. Problémy sekvenčního Monte Carlo filtrování, resampling a alternativy.

11. Hierarchické učení a jeho aplikace.

12. Úvod do deep learningu a pravděpodobnostních grafických modelů.

Osnova cvičení:

1. Úvod, konstrukce lineárního modelu a jeho odhad, vývoj znalosti, předpovědi.

2. Bayesovská sekvenční lineární regrese, regularizace, ukázky na reálných datech.

3. Sekvenční logistická regrese s využitím reálných dat.

4. Sestavení stavového modelu pro reálný problém a jeho odhad.

5. Bayesovský model maticové dekompozice a jeho aplikace např. v biomedicíně.

6. Využití particle filtru v praktických úlohách machine learningu.

Cíle studia:
Studijní materiály:

1. Andrew Gelman et al., Bayesian Data Analysis, Chapman and Hall (2013), ISBN 1439840954.

2. David Barber, Bayesian Reasoning and Machine Learning, Cambridge University Press (2012), ISBN 978-0-521-51814-7.

Poznámka:
Rozvrh na zimní semestr 2018/2019:
Rozvrh není připraven
Rozvrh na letní semestr 2018/2019:
Rozvrh není připraven
Předmět je součástí následujících studijních plánů:
Platnost dat k 15. 11. 2018
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet5423206.html