Bayesovské modely pro strojové učení (v angličtině)

• 26 hod. přednášky
• 13 hod. seminář
• 13 hod. projekty

• 51 bodů závěrečná zkouška (písemná část)
• 24 bodů půlsemestrální test (písemná část)
• 25 bodů projekty

Demonstrovat omezení hlubokých neuronových sítí (DNN), které se staly velmi populární v mnoha oborech, ale fungují dobře jen v případě dostatečného množství dobře popsaných trénovacích dat. Presentovat Bayesovské modely (BM) umožňující činit spolehlivá rozhodnutí i v případech omezených dat, jelikož berou v úvahu nepřesnosti v odhadu parametrů modelu. Zavést koncept latentních proměnných, které činí BM modulárními (komplexní modely mohou být tedy rozloženy na jednodušší) a vhodné pro případy s chybějícími daty (např. trénování bez učitele v případě chybějících popisů dat). Uvést základní vědomosti a intuice k BM a pokročit ke složitějším tématům: techniky přibližné inference nutné pro složité modely, modely s nekonečným množstvím směsných komponentů v neparametrických BM. Kurs je veden v angličtině.

1. Teorie pravděpodobnosti a rozdělení pravděpodobnosti. 
2. Bayesovská Inference (apriorní pravděpodobnosti, nejasnost odhadu parametrů, předpovězená hodnota posteriorních pravděpodobností)
3. Inference v Bayesovských modelech s konjugovanými apriorními pravděpodobnostmi. 
4. Inference v Bayesovských sítích (loopy belief propagation)
5. Expectation-Maximization algoritmy (s aplikacemi na Gaussovské směsné modely)
6. Přibližná inference v Bayesovských modelech pomocí Gibbsova vzorkování 
7. Inference pomocí variačního Bayese (VB) 
8. Modely s nekonečným počtem směsných komponentů. Dirichletovy procesy. Chinese Restaurant procesy 
9. Pitman-Yor proces pro modelování jazyka. 
10. Praktické aplikace bayesovské inference

Demonstrační cvičení budou následovat okamžitě po přednáškách a budou obsahovat příklady, především v Pythonu. Kód a data pro příklady budou k dispozici studentům a budou tvořit základ projektu.

Projekt bude následovat demonstrační cvičení, jeho náplní bude zpracování poskytnutých reálných nebo simulovaných dat. Studenti budou pracovat v týmech v "evaluačním" módu a presentovat své výsledky na poslední přednášce/cvičení.

• půlsemestrální zkouška (24b)  
• odevzdání a presentace projektu (25b) 
• semestrální zkouška 51b.

Pro získání bodů ze zkoušky je nutné získat min. 20 bodů, jinak je zkouška hodnocena 0 body.