Popis předmětu - XEP33SML

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
XEP33SML Structured Model Learning
Role:S Rozsah výuky:2P+1S
Katedra:13133 Jazyk výuky:EN
Garanti:Flach B. Zakončení:ZK
Přednášející:Flach B., Franc V. Kreditů:4
Cvičící:Flach B., Franc V. Semestr:L

Anotace:

This advanced machine learning course covers learning and parameter estimation for structured models like Markov Random Fields, Belief Networks and (stochastic) Deep Neural Networks.

Cíle studia:

The course aims to communicate knowledge on theory and algorithms for the two currently most successful branches of structured model learning - statistical learning and structured output learning.

Osnovy přednášek:

(1) Markov Random Fields & Gibbs Random Fields
(2) Belief Networks & Stochastic Neural Networks
(3) Learning of structured output classifiers by Perceptron
(4) Structured Output Support Vector Machines
(5) Learning max-sum classifiers by SO-SVM
(6) Optimization methods for SO-SVM
(7) Maximum Likelihood learning for MRFs
(8) Variational Autoencoders
(9) Variational Bayesian inference for DNNs
(10) Generative adversarial networks

Osnovy cvičení:

The seminars will be dedicated to discussions and deepening the knowledge acquired at the lectures.

Literatura:

1. B. Taskar, C. Guestrin, and D. Koller. Maximum-margin markov networks. In Advances in Neural Information Processing Systems. MIT Press, Cambridge, MA, 2004.
2. I. Tsochantaridis, T. Joachims, T. Hofmann, and Y. Altun. Large margin methods for structured and interdependent output variables. Journal of Machine Learning Research, 6:1453-1484, Sep. 2005.
3. V. Franc and B. Savchynskyy. Discriminative learning of max-sum classifiers. Journal of Machine LearningResearch, 9(1):67-104, January 2008. ISSN 1532-4435.
Processing: From Systems to Brains, chapter A Variational Principle for Graphical Models. MIT Press, 2007.
4. M.J. Wainwright and M.I. Jordan. Graphical Models, Exponential Families, and Variational Inference. Foundations and Trends in Machine Learning, 1(1-2):1-305, 2008.

Požadavky:

- Solid knowledge of of statistical machine learning (cf. BE4M33SSU) - Basic knowledge of Graphical Models (cf. XEP33GMM)

Poznámka:

URL: http://cw.felk.cvut.cz/doku.php/courses/xep33sml/start

Webová stránka:

https://cw.fel.cvut.cz/wiki/courses/xep33sml/start

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
DOKP Před zařazením do oboru S
DOKK Před zařazením do oboru S


Stránka vytvořena 9.4.2020 17:50:23, semestry: Z,L/2020-1, Z,L/2019-20, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. Ing. Ivan Jelínek, CSc.