Александр Алексейцев
Вероятностные графические модели
О курсе
Курс “байесовские графические модели" ставит перед собой задачу дать студенту представление о двух “школах" понимания термина “вероятность" - частотную и байесовскую.

В рамках курса, студент ознакомится с фреймворком описания сложных вероятностных зависимостей в виде графической модели, широко применяемом, например, в медицине, криминалистике и в целом ряде задач, где часто встречаются задачи с неполными исходными данными и требующими возможности интерпретировать (доказать) влияние наблюдаемых величин на ненаблюдаемые.

По окончанию курса, студенты приобретают навыки извлекать структуру зависимостей между событиями по набору наблюдений за их значениями и делать предсказания вероятностей наступления событий по значениям наблюдаемых параметров.
Команда курса
Александр Алексейцев
Лектор
Владимир Бусовиков
Семинарист
Программа
1. Intro. Bayesian view of probability. Bayesian networks.
2. Inference from Bayesian networks. Markov Chains.
3. Hidden Markov Models
4. Intro to Sampling methods
5. Sampling methods and introduction to learning
6. Bayesian networks parameters learning
7. Bayesian networks structure learning
8-9. EM-algorithm
Формирование итоговой оценки
Планируется 5 домашних самостоятельных заданий. Одно из заданий каждый студент будет защищать на семинаре и рассказывать всему курсу детали решения.
По итогам оценок за 5 домашних заданий и защиты одного из них, выставляется итоговая оценка, как среднее между 5-ю оценками за домашнее и задание и оценкой за защиту.
В конце курса планируется экзамен, на котором можно будет поднять оценку, ответив на несколько вопросов по программе.
Правила сдачи домашних заданий
На выполнение домашнего задания даётся 14 дней.
От 14 до 30 - минус балл.
После 30ти дней - минус два балла.
Связь с преподавателями
Любые вопросы по курсу можно (и нужно) задавать в telegram-канал курса. Доступ к каналу можно получить по ссылке


Материалы лекций