Jegyzetek

Tankönyvek:

- Bishop: Pattern recognition and machine learning (Bishop),

- Goodfellow-Bengio-Courville: Deep Learning (DL),

- Schölkopf-Smola: Learning with kernels (LK),

- Boyd-Vandenberghe: Convex optimization (CO).

- Altrichter-Horváth-Pataki-Strausz-Takács-Valyon: Neurális hálózatok (NH).

2019. szeptember 11. Bayesi valószínűségelméleti alapfogalmak. Valószínűség, prior, likelihood, posterior. Maximum likelihood (ML), maximum a posteriori (MAP), teljesen bayesi következtetés, modellátlagolás. Konjugált priorok.

Irodalom: Bishop 1. fejezet, de erről csinálok külön jegyzetet

Demo: érme, Newton-Raphson + fraktál, Newton-Raphson középiskolás anyag

2019. szeptember 18. Lineáris regresszió. ML, MAP, a posterior kiszámítása teljes négyzetté kiegészítéssel. Bayesi lineáris regresszió. Bázisfüggvényes kiterjesztések.

Irodalom: Bishop 3. fejezet (ami órán elhangzott).

2019. szeptember 25. Lineáris klasszifikáció, logisztikus regresszió, a perceptron valószínűségelméleti származtatása. ML, MAP (Laplace-approximáció).

Irodalom: Bishop 4. fejezet (ami órán elhangzott).

2019. október 2. Neurális hálózatok, tanítás a backpropagation algoritmussal. A kiértékelés módszerei. Underfitting, overfitting, a bias-variancia dilemma. Áttekintés: generatív és diszkriminatív modellek a gépi tanulásban.

2019. október 7. Mély neurális hálózatok.

© 2010-2019 BME MIT | Hibajelentés | Használati útmutató