✅Вариант страницы одобрен авторами курса

<aside> 💡 Курс поддержан фондом и рекомендован как спецкурс в рамках Академической программы по искусственному интеллекту.

</aside>

Формат курса:

Курс является обязательным для студентов 417 группы бакалавриата и спецкурсом по выбору для студентов бакалавриата 3-4 курса. Читается в осеннем семестре.

Преподаватели:

Ветров Дмитрий Петрович

кандидат физ.-мат. наук, профессор-исследователь факультета компьютерных наук НИУ ВШЭ, заведующий центром глубинного обучения и байесовских методов НИУ ВШЭ.

Область научных интересов: байесовские методы машинного обучения, изучение рельефа функции потерь в нейросетевых моделях, глубинное обучение, диффузионные модели.

Untitled

Аннотация:

Изучение дисциплины нацелено на освоение т.н. байесовского подхода к теории вероятностей как одного из последовательных способов математических рассуждений в условиях неопределенности. В байесовском подходе вероятность интерпретируется как мера незнания, а не как объективная случайность. Простые правила оперирования с вероятностью, такие как формула полной вероятности и формула Байеса, позволяют проводить рассуждения в условиях неопределенности. В этом смысле байесовский подход к теории вероятностей можно рассматривать как обобщение классической булевой логики. Целью курса также является освоение студентами основных способов применения байесовского подхода при решении задач машинного обучения. Байесовский подход позволяет эффективно учитывать различные предпочтения пользователя при построении решающих правил прогноза. Кроме того, он позволяет решать задачи выбора структурных параметров модели. В частности, здесь удается решать без комбинаторного перебора задачи селекции признаков, выбора числа кластеров в данных, размерности редуцированного пространства при уменьшении размерности, значений коэффициентов регуляризации и проч.

Практикум:

Для закрепления пройденного материала и получения практического опыта применения изучаемых методов в курсе предусмотрено несколько видов домашних заданий:

Практические задания:

  1. Байесовские рассуждения для модели посещаемости занятий.
  2. ЕМ-алгоритм для детектива (распознавание лица в наборе сильно зашумленных изображений)

Теоретические задания: