Лекция 3. Задача выбора модели в машинном обучении. Принцип наибольшей обоснованности
Воскресенье, 05 июля 2015
Таймс, ауд. 404
Список тем / 8 записей
1.
Лекция 1. Байесовский подход к теории вероятностей. Байесовские рассуждения. Понятие о графических моделях
2.
Лекция 2. Сопряженные распределения. Экспоненциальный класс распределений. Аналитический байесовский вывод
3.
Лекция 3. Задача выбора модели в машинном обучении. Принцип наибольшей обоснованности
4.
Лекция 4. Использование байесовского выбора модели в обобщенных линейных моделях регрессии и классификации
5.
Лекция 5. ЕМ-алгоритм. Вариационный байеосвский вывод. Примеры использования
6.
Лекция 6. Латентное размещение Дирихле. Байесовская смесь гауссиан. Байесовский метод главных компонент
7.
Лекция 7. Байесовские и марковские сети. Основные задачи и методы вывода в графических моделях
8.
Лекция 8. Обучение графических моделей. Структурный метод опорных векторов