Pravděpodobnostní grafické modely

Tento kurz je určen pro zájemce o porozumění Bayesovským sítím a pravděpodobnostnímu programování.

• 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.

Studijní materiál společnosti Machine Learning College.

• 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

Předchozí kurzy

Python I - úvod do programování [PYTHON_INTRO]