Pravděpodobnostní grafické modely (15. 6. 2021, Praha)

4 990 

Tento kurz je určen pro zájemce o porozumění Bayesovským sítím a pravděpodobnostnímu programování. Teoretická příprava v první části kurzu bude směřovat k praktickému příkladu modelování témat pomocí Latent Dirichlet Allocation a jejímu neparametrickému rozšíření včetně odhadu hyperparametrů. Po absolvování kurzu bude účastník schopen navrhovat a implementovat vlastní jednoduché Bayesovské sítě pro různé problémy.

Počet volných míst: 14

Qty:

Prerekvizity

  • Základní znalost programování v Pythonu
  • Středoškolské znalosti lineární algebry, matematické analýzy a teorie pravděpodobnosti. Bude předpokládáno základní porozumění pojmům jako vektor, matice, vektorový prostor, pravděpodobnost, podmíněná pravděpodobnost, nezávislost náhodných jevů a znalost násobení matic a derivace funkcí.

Co si účastník odnese

Tento kurz je určen pro zájemce o porozumění Bayesovským sítím a pravděpodobnostnímu programování. Teoretická příprava v první části kurzu bude směřovat k praktickému příkladu modelování témat pomocí Latent Dirichlet Allocation a jejímu neparametrickému rozšíření včetně odhadu hyperparametrů. Po absolvování kurzu bude účastník schopen navrhovat a implementovat vlastní jednoduché Bayesovské sítě pro různé problémy.

Osnova

  • Bayesovské sítě
  • Grafická reprezentace modelu
  • Generativní vs. diskriminativní modely
  • Statistická inference v Bayesovských sítích
    • Variational inference
    • Sampling
      • Rejection sampling
      • Markov Chain Monte Carlo
      • Metropolis-Hastings sampling
      • Gibbs sampling
  • Pravděpodobnostní rozdělení
    • Binomické a multinomické rozdělení
    • Beta a Dirichletovo rozdělení
    • Gamma rozdělení
  • Pravděpodobnostní programovací jazyky
  • Praktický příklad na modelování témat
    • Latent Semantic Analysis
    • Probabilistic Latent Semantic Analysis
    • Latent Dirichlet Allocation
  • Neparametrické modely
    • Dirichlet process
    • Chinese restaurant process a Stick breaking process
    • Non-parametric LDA
  • Odhad hyperparametrů