Informações sobre o curso
4.6
236 classificações
73 avaliações
Programa de cursos integrados
100% online

100% online

Comece imediatamente e aprenda em seu próprio cronograma.
Prazos flexíveis

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.
Nível avançado

Nível avançado

Horas para completar

Aprox. 40 horas para completar

Sugerido: 6 weeks of study, 6 hours/week...
Idiomas disponíveis

Inglês

Legendas: Inglês

Habilidades que você terá

Bayesian OptimizationGaussian ProcessMarkov Chain Monte Carlo (MCMC)Variational Bayesian Methods
Programa de cursos integrados
100% online

100% online

Comece imediatamente e aprenda em seu próprio cronograma.
Prazos flexíveis

Prazos flexíveis

Redefinir os prazos de acordo com sua programação.
Nível avançado

Nível avançado

Horas para completar

Aprox. 40 horas para completar

Sugerido: 6 weeks of study, 6 hours/week...
Idiomas disponíveis

Inglês

Legendas: Inglês

Programa - O que você aprenderá com este curso

Semana
1
Horas para completar
2 horas para concluir

Introduction to Bayesian methods & Conjugate priors

Welcome to first week of our course! Today we will discuss what bayesian methods are and what are probabilistic models. We will see how they can be used to model real-life situations and how to make conclusions from them. We will also learn about conjugate priors — a class of models where all math becomes really simple....
Reading
9 vídeos (total de (Total 55 mín.) min), 1 leitura, 2 testes
Video9 videos
Bayesian approach to statistics5min
How to define a model3min
Example: thief & alarm11min
Linear regression10min
Analytical inference3min
Conjugate distributions2min
Example: Normal, precision5min
Example: Bernoulli4min
Reading1 leituras
MLE estimation of Gaussian mean10min
Quiz2 exercícios práticos
Introduction to Bayesian methods20min
Conjugate priors12min
Semana
2
Horas para completar
7 horas para concluir

Expectation-Maximization algorithm

This week we will about the central topic in probabilistic modeling: the Latent Variable Models and how to train them, namely the Expectation Maximization algorithm. We will see models for clustering and dimensionality reduction where Expectation Maximization algorithm can be applied as is. In the following weeks, we will spend weeks 3, 4, and 5 discussing numerous extensions to this algorithm to make it work for more complicated models and scale to large datasets....
Reading
17 vídeos (total de (Total 168 mín.) min), 3 testes
Video17 videos
Probabilistic clustering6min
Gaussian Mixture Model10min
Training GMM10min
Example of GMM training10min
Jensen's inequality & Kullback Leibler divergence9min
Expectation-Maximization algorithm10min
E-step details12min
M-step details6min
Example: EM for discrete mixture, E-step10min
Example: EM for discrete mixture, M-step12min
Summary of Expectation Maximization6min
General EM for GMM12min
K-means from probabilistic perspective9min
K-means, M-step7min
Probabilistic PCA13min
EM for Probabilistic PCA7min
Quiz2 exercícios práticos
EM algorithm8min
Latent Variable Models and EM algorithm10min
Semana
3
Horas para completar
2 horas para concluir

Variational Inference & Latent Dirichlet Allocation

This week we will move on to approximate inference methods. We will see why we care about approximating distributions and see variational inference — one of the most powerful methods for this task. We will also see mean-field approximation in details. And apply it to text-mining algorithm called Latent Dirichlet Allocation...
Reading
11 vídeos (total de (Total 98 mín.) min), 2 testes
Video11 videos
Mean field approximation13min
Example: Ising model15min
Variational EM & Review5min
Topic modeling5min
Dirichlet distribution6min
Latent Dirichlet Allocation5min
LDA: E-step, theta11min
LDA: E-step, z8min
LDA: M-step & prediction13min
Extensions of LDA5min
Quiz2 exercícios práticos
Variational inference15min
Latent Dirichlet Allocation15min
Semana
4
Horas para completar
6 horas para concluir

Markov chain Monte Carlo

This week we will learn how to approximate training and inference with sampling and how to sample from complicated distributions. This will allow us to build simple method to deal with LDA and with Bayesian Neural Networks — Neural Networks which weights are random variables themselves and instead of training (finding the best value for the weights) we will sample from the posterior distributions on weights....
Reading
11 vídeos (total de (Total 122 mín.) min), 2 testes
Video11 videos
Sampling from 1-d distributions13min
Markov Chains13min
Gibbs sampling12min
Example of Gibbs sampling7min
Metropolis-Hastings8min
Metropolis-Hastings: choosing the critic8min
Example of Metropolis-Hastings9min
Markov Chain Monte Carlo summary8min
MCMC for LDA15min
Bayesian Neural Networks11min
Quiz1 exercício prático
Markov Chain Monte Carlo20min
4.6
73 avaliaçõesChevron Right
Benefício de carreira

50%

consegui um benefício significativo de carreira com este curso

Melhores avaliações

por JGNov 18th 2017

This course is little difficult. But I could find very helpful.\n\nAlso, I didn't find better course on Bayesian anywhere on the net. So I will recommend this if anyone wants to die into bayesian.

por AEMay 9th 2018

Challenging, but well designed course covering cutting edge ML methods. The course assumes high proficency with Tensorflow, Keras, and Python.

Instrutores

Avatar

Daniil Polykovskiy

Researcher
HSE Faculty of Computer Science
Avatar

Alexander Novikov

Researcher
HSE Faculty of Computer Science

Sobre National Research University Higher School of Economics

National Research University - Higher School of Economics (HSE) is one of the top research universities in Russia. Established in 1992 to promote new research and teaching in economics and related disciplines, it now offers programs at all levels of university education across an extraordinary range of fields of study including business, sociology, cultural studies, philosophy, political science, international relations, law, Asian studies, media and communications, IT, mathematics, engineering, and more. Learn more on www.hse.ru...

Sobre o Programa de cursos integrados Advanced Machine Learning

This specialization gives an introduction to deep learning, reinforcement learning, natural language understanding, computer vision and Bayesian methods. Top Kaggle machine learning practitioners and CERN scientists will share their experience of solving real-world problems and help you to fill the gaps between theory and practice. Upon completion of 7 courses you will be able to apply modern machine learning methods in enterprise and understand the caveats of real-world data and settings....
Advanced Machine Learning

Perguntas Frequentes – FAQ

  • Ao se inscrever para um Certificado, você terá acesso a todos os vídeos, testes e tarefas de programação (se aplicável). Tarefas avaliadas pelos colegas apenas podem ser enviadas e avaliadas após o início da sessão. Caso escolha explorar o curso sem adquiri-lo, talvez você não consiga acessar certas tarefas.

  • Quando você se inscreve no curso, tem acesso a todos os cursos na Especialização e pode obter um certificado quando concluir o trabalho. Seu Certificado eletrônico será adicionado à sua página de Participações e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn. Se quiser apenas ler e assistir o conteúdo do curso, você poderá frequentá-lo como ouvinte sem custo.

  • Course requires strong background in calculus, linear algebra, probability theory and machine learning.

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.