О курсе

Курс знакомит слушателей с байесовскими методами машинного обучения; с задачами, которые эти методы призваны решать и с различными вспомогательными фреймворками. Планируется рассмотреть такие подходы, как:

• Построение графических моделей

• EM-алгоритм

• Markov chain Monte Carlo

• Variational Inference

• Сэмплирование Томпсона

• Вариационный автоэнкодер (unsupervised и semi-supervised версии)

• Вариационный Dropout

• Гауссовские процессы

Требования к слушателям

• базовые навыки программирования на Python

• знание основ математического анализа, математической статистики и линейной алгебры или готовность в них самостоятельно разобраться

• знакомство с основными задачами и методами машинного обучения

• желание ознакомиться с принципами вероятностного программирования(скорее всего на примере языка программирования Stan)

Технические требования

• Python 3.7+

• conda, pip(готовность установки дополнительных пакетов с их помощью)

• numpy,scipy,pytorch,pystan

Логистика курса

Занятия раз в неделю: 1 лекция по четвергам.

Итоговая оценка

Оценка будет рассчитываться из взвешенной суммы баллов:

• за выполнение домашних работ

• за периодические проверочные работы в начале пар

• за экзамен.

Литература

• Murphy K.P. Machine Learning: A Probabilistic Perspective. The MIT Press.

• Bishop C.M. Pattern Recognition and Machine Learning. Springer.

• Ian Goodfellow and Yoshua Bengio and Aaron Courville Deep Learning. The MIT Press.