À propos de ce cours
4.6
234 notes
72 avis
Spécialisation
100 % en ligne

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.
Niveau avancé

Niveau avancé

Heures pour terminer

Approx. 40 heures pour terminer

Recommandé : 6 weeks of study, 6 hours/week...
Langues disponibles

Anglais

Sous-titres : Anglais

Compétences que vous acquerrez

Bayesian OptimizationGaussian ProcessMarkov Chain Monte Carlo (MCMC)Variational Bayesian Methods
Spécialisation
100 % en ligne

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.
Niveau avancé

Niveau avancé

Heures pour terminer

Approx. 40 heures pour terminer

Recommandé : 6 weeks of study, 6 hours/week...
Langues disponibles

Anglais

Sous-titres : Anglais

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1
Heures pour terminer
2 heures pour terminer

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 videos (Total 55 min), 1 lecture, 2 quiz
Video9 vidéos
Bayesian approach to statistics5 min
How to define a model3 min
Example: thief & alarm11 min
Linear regression10 min
Analytical inference3 min
Conjugate distributions2 min
Example: Normal, precision5 min
Example: Bernoulli4 min
Reading1 lecture
MLE estimation of Gaussian mean10 min
Quiz2 exercices pour s'entraîner
Introduction to Bayesian methods20 min
Conjugate priors12 min
Semaine
2
Heures pour terminer
7 heures pour terminer

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 videos (Total 168 min), 3 quiz
Video17 vidéos
Probabilistic clustering6 min
Gaussian Mixture Model10 min
Training GMM10 min
Example of GMM training10 min
Jensen's inequality & Kullback Leibler divergence9 min
Expectation-Maximization algorithm10 min
E-step details12 min
M-step details6 min
Example: EM for discrete mixture, E-step10 min
Example: EM for discrete mixture, M-step12 min
Summary of Expectation Maximization6 min
General EM for GMM12 min
K-means from probabilistic perspective9 min
K-means, M-step7 min
Probabilistic PCA13 min
EM for Probabilistic PCA7 min
Quiz2 exercices pour s'entraîner
EM algorithm8 min
Latent Variable Models and EM algorithm10 min
Semaine
3
Heures pour terminer
2 heures pour terminer

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 videos (Total 98 min), 2 quiz
Video11 vidéos
Mean field approximation13 min
Example: Ising model15 min
Variational EM & Review5 min
Topic modeling5 min
Dirichlet distribution6 min
Latent Dirichlet Allocation5 min
LDA: E-step, theta11 min
LDA: E-step, z8 min
LDA: M-step & prediction13 min
Extensions of LDA5 min
Quiz2 exercices pour s'entraîner
Variational inference15 min
Latent Dirichlet Allocation15 min
Semaine
4
Heures pour terminer
6 heures pour terminer

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 videos (Total 122 min), 2 quiz
Video11 vidéos
Sampling from 1-d distributions13 min
Markov Chains13 min
Gibbs sampling12 min
Example of Gibbs sampling7 min
Metropolis-Hastings8 min
Metropolis-Hastings: choosing the critic8 min
Example of Metropolis-Hastings9 min
Markov Chain Monte Carlo summary8 min
MCMC for LDA15 min
Bayesian Neural Networks11 min
Quiz1 exercice pour s'entraîner
Markov Chain Monte Carlo20 min
4.6
72 avisChevron Right
Avantage de carrière

83%

a bénéficié d'un avantage concret dans sa carrière grâce à ce cours

Meilleurs avis

par 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.

par AEMay 9th 2018

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

Enseignants

Avatar

Daniil Polykovskiy

Researcher
HSE Faculty of Computer Science
Avatar

Alexander Novikov

Researcher
HSE Faculty of Computer Science

À propos de 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...

À propos de la Spécialisation 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

Foire Aux Questions

  • Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.

  • Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.

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

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.