Байесовские методы машинного обучения 2018
Page is not ready yet!
Lector: Dmitry Vetrov
Tutors: Alexander Grishin, Kirill Struminsky, Dmitry Molchanov, Kirill Neklyudov, Artem Sobolev, Arsenii Ashukha, Oleg Ivanov, Ekaterina Lobacheva.
Contacts: по всем вопросам, связанным с курсом, просьба писать на bayesml@gmail.com. В название письма обязательно добавлять [ФКН БММО18]. Письма без этого тега могут просто не дойти до преподавателей! Информация о чате и энитаске для сдачи заданий будет позднее.
У курса есть чат в телеграме. Все объявления по курсу будут вывешиваться именно в чате! Всем студентам будет отправлена ссылка на него на почту. Преподаватели в чате бывают, но не всегда. По всем важным вопросам стоит писать на почту.
Содержание
Abstract
This course is devoted to Bayesian reasoning in application to deep learning models. Attendees would learn how to use probabilistic modeling to construct neural generative and discriminative models, how to use the paradigm of generative adversarial networks to perform approximate Bayesian inference and how to model the uncertainty about the weights of neural networks. Selected open problems in the field of deep learning would also be discussed. The practical assignments will cover implementation of several modern Bayesian deep learning models.
News
Grading System
The assessment consist of 3 practical assignments and a final oral exam. Practical assignments consist in programming some models/methods from the course in Python and analysing their behavior: VAE, Normalizing flows, Sparse Variational Dropout. At the final exam students have to demonstrate knowledge of the material covered during the entire course.
Final course grade is obtained from the following formula: О_final = 0,7 * О_cumulative + 0,3 * О_exam, where О_cumulative is an average grade for the practical assignments.
All grades are in ten-point grading scale. If О_cumulative or О_final has a fractional part greater or equal than 0.5 then it is rounded up. Each practical assignment has a deadline, a penalty is charged in the amount of 0.3 points for each day of delay, but in total not more than 6 points. Students have to complete all assignments by themselves, plagiarism is strictly prohibited.
За некоторые задания можно будет получить бонусные баллы, о чем будет объявляться при выдаче задания.
Assignments
- В рамках курса предполагается выполнение двух практических заданий, трёх теоретических домашних заданий и четырёх лабораторных работ. Задания сдаются в системе anytask. Для получения инвайта по курсу просьба писать на почту курса.
- Все практические задания и лабораторные сдаются на Python 3. Код практических заданий должен быть обязательно предварительно сдан в систему ejudge. Формат логина в ejudge должен быть следующий: hse_ + первая буква имени + фамилия. Пример: hse_elobacheva. Конфигурация сервера проверки кода в ejudge: python==3.5.3, numpy==1.14.5, scikit-learn==0.19.2, scipy==1.1.0.
- Задания выполняются самостоятельно. Если задание обсуждалось сообща, или использовались какие-либо сторонние коды и материалы, то об этом должно быть написано в отчете. В противном случае „похожие“ решения считаются плагиатом и все задействованные студенты (в том числе те, у кого списали) будут сурово наказаны.
- Практические задания оцениваются из 10 баллов. За сдачу заданий позже срока начисляется штраф в размере 0.3 балла за каждый день просрочки, но суммарно не более 6 баллов.
- Теоретические задания и лабораторные работы также оцениваются из 10 баллов. За сдачу заданий позже срока начисляется штраф в размере 0.3 балла за каждый день просрочки. Решения не принимаются к проверке спустя неделю после срока.
Примерные даты выдачи домашних заданий (они могут быть изменены!):
- Практическая работа -- 20 сентября, 1 ноября
- Лабораторная работа -- 11 октября, 22 ноября, 29 ноября, 6 декабря
- Теоретическое задание -- 27 сентября, 11 октября, 8 ноября
Окончательный дедлайн по всем заданиям — 20 декабря 23:00. Домашние задания, присланные позднее, к концу семестра, скорее всего, проверены не будут.
Exam
TBA
Расписание занятий
| Занятие | Дата | Название | Материалы |
|---|---|---|---|
| 1 | 6, 20 сентября | Лекция и семинар: Байесовский подход к теории вероятностей, примеры байесовских рассуждений. | лекция (презентация), лекция(конспект), лекция (саммари), семинар(задачи), семинар(конспект) |
| 2 | 20, 27 сентября | Лекция и семинар: Аналитический байесовский вывод, сопряжённые распределения, экспоненциальный класс распределений, примеры. | лекция(конспект), семинар(задачи) семинар(конспект) |
| 3 | 27 сентября, 4 октября | Лекция и семинар: Задача выбора модели по Байесу, принцип наибольшей обоснованности, примеры выбора вероятностной модели. | лекция(презентация), лекция(конспект), семинар(задачи), семинар(конспект) |
| 4 | 4, 11 октября | Лекция и семинар: Метод релевантных векторов для задачи регрессии, автоматическое определение значимости. Матричные вычисления. |
лекция(презентация), лекция(конспект), семинар(задачи 1 с разбором), семинар(задачи 2 с разбором) |
| 5 | 11, 18 октября | Лекция и семинар: Метод релевантных векторов для задачи классификации, приближение Лапласа. | лекция(саммари), лекция(конспект), семинар(задачи), семинар(конспект) |
| 6 | 18 октября, 1 ноября | Лекция и семинар: Обучение при скрытых переменных, ЕМ-алгоритм в общем виде, байесовская модель метода главных компонент. | лекция, лекция(конспект), семинар(задачи), семинар(конспект) |
| 7 | 1, 8 ноября | Лекция и семинар: Вариационный подход для приближённого байесовского вывода. | лекция, лекция (саммари), лекция(конспект),(задачи), семинар(конспект) |
| 8 | 8, 15 ноября | Лекция и семинар: Методы Монте-Карло с марковскими цепями (MCMC). | лекция, семинар(задачи) |
| 9 | 15, 22 ноября | Лекция и семинар: Гибридный метод Монте-Карло с марковскими цепями и его масштабируемые обобщения. | Hamiltonian dynamics, Langevin Dynamics, семинар(задачи) |
| 10 | 22, 29 ноября | Лекция и семинар: Гауссовские процессы для регрессии и классификации. | материалы лекции изложены в разделе 6.4 Бишопа, семинар(задачи), семинар(конспект) |
| 11 | 29 ноября, 6 декабря | Лекция и семинар: Модель LDA для тематического моделирования. | лекция, семинар(конспект), Статья по HDP |
| 12 | 13 декабря | Лекция: Стохастический вариационный вывод. Вариационный автокодировщик. | статья 1, статья 2 |
Замечание: рукописные конспекты лекций и семинаров это в первую очередь заметки лектора и семинаристов, а не материалы по курсу. В них могут содержать неточности!
Reading List
- 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.
- Ian Goodfellow, Yoshua Bengio & Aaron Courville. Deep Learning. MIT Press, 2016.
Useful links
Сайт одноименного курса, читаемого на ВМК МГУ.
Сайт группы Байесовских методов.
Простые и удобные заметки по матричным вычислениям и свойствам гауссовских распределений.
Памятка по теории вероятностей.
