Školení Pravděpodobnostní grafické modely

Prerekvizity

1. Základní znalost programování v Pythonu
2. 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.

[Kód kurzu: AM1412]

1denní kurz | 9:00 - 17:30

Jazyk: Česky
Úroveň: advanced

Osnova školení:

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

Možnosti ubytování a parkování