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 2P+1C 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. Lineární modely v machine learningu, online modelování, predikce, příklady.

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

4. Lineární model, odhad struktury, regularizace volbou apriorna.

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

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

7. Základní stavové modely, Kalmanův filtr.

8. Úvod do Monte Carlo metod, rejection sampling.

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

10. Hierarchické učení a jeho aplikace.

11. Grafické modely, naivní Bayes

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

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

6. Využití particle filtru v praktických úlohách machine learningu.

Cíle studia:

Cílem předmětu je seznámit studenty s širokou škálou aplikací bayesovské teorie v problémech strojového učení.

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:
06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po
místnost T9:347
Dedecius K.
09:15–10:45
(přednášková par. 1)
Dejvice
NBFIT učebna
místnost T9:348
Dedecius K.
Tichý O.

11:00–12:30
SUDÝ TÝDEN

(přednášková par. 1
paralelka 101)

Dejvice
NBFIT PC ucebna
Út
St
Čt

Předmět je součástí následujících studijních plánů:
Platnost dat k 23. 8. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet5423206.html