یادگیری ماشین آماری

Statistical Machine Learning

شماره درس: ۴۰۷۲۹ تعداد واحد: ۳
مقطع: کارشناسی ارشد نوع درس: نظری
پیش‌نیاز: یادگیری ماشین هم‌نیاز: –

اهداف درس

هدف اصلی این درس آشنا کردن دانشجویان تحصیلات تکمیلی با مباحث جدید و مسیرهای تحقیقاتی در زمینه یادگیری ماشین آماری می‌باشد. برخی از موضوعات پیشرفته در یادگیری ماشین آماری از جمله مدل‌ها و استنتاج بیزی ناپارامتریک، فرآیندهای نقطه‌ای، یادگیری ماشین تفسیرپذیر، و تحلیل کلان داده‌ها را بر مبنای روش‌های کلاسیک و مدل‌های یادگیری ژرف پوشش می‌دهد. از دانشجویان انتظار می‌رود که پس از ارائه مطالب توسط استاد، مقالات تحقیقاتی جدید را تحلیل کرده و ارائه دهند، در بحث های علمی کلاس و آزمونک‌های هفتگی شرکت کنند و یک پروژه تحقیقاتی را انجام دهند.

ریز مواد

  1. مقدمه و معرفی کلی درس
  2. مدل‌ها و استنتاج بیزی ناپارامتریک (NPB)
  3. یادگیری ژرف و مدل‌های بیزی ناپارامتریک
  4. فرآیندهای گاوسی
  5. یادگیری ژرف و فرآیندهای گاوسی
  6. فرآیند دریکله
  7. یادگیری ژرف و مدل‌های مخلوط دریکله
  8. فرآیند بوفه هندی
  9. یادگیری ژرف و مدل‌های بوفه هندی
  10. فرآیند نقطه‌ای
  11. یادگیری ژرف و مدل‌های فرآیند نقطه‌ای
  12. تحلیل کلان داده‌ها
  13. یادگیری ژرف و تحلیل کلان داده‌ها
  14. شبکه‌های ژرف گرافی
  15. شبکه‌های ژرف گرافی پویا
  16. شبکه‌های ژرف مقاوم
  17. یادگیری ماشین آماری تفسیرپذیر

ارزیابی

مراجع

  1. P. Orbanz, Lecture Notes on Bayesian Nonparametrics, 2014.
  2. Carl E. Rasmussen, Christopher K. I. Williams, Gaussian Processes for Machine Learning, the MIT Press, 2006.
  3. Jakob Gulddahl Rasmussen, Aspects of temporal and spatio-temporal processes, PhD Thesis, Department of Mathematical Science, Aalborg University, 2006.