PCstorm Nabídka kurzů IT kurzy Umělá inteligence Pravděpodobnostní grafické modely

Pravděpodobnostní grafické modely

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

Popis kurzu:

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.

Požadované znalosti:

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.

Obsah kurzu:

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