Sylabus
1. Úvod
2. Model Beta-Bernoulli a Dirichlet-Categorial
3. Modelování kolekcí dokumentů, Categorical Mixture models, Expectation-Maximization
4. Gibbs Sampling, Latent Dirichlet Allocation
5. Neřízená segmentace textu
6. Neřízený tagging, word alignment, neřízená závistlotsní analýza
7. K-means, Mixture of Gaussians, Hierarchical clustering, evaluace
8. T-SNE, Principal Component Analysis, Independent Component Analysis
9. Lingvistická interpretace neuronových sítí
Anotace
Cílem přednášky je seznámit studenty se základními metodami neřízeného strojového učení (učení bez učitele) a s jejich aplikací ve zpracování přirozeného jazyka. Mezi probírané metody bude patřit Bayesovská inference,
Expectation-Maximization, shluková analýza, metody využívající neuronové sítě a další aktuálně používané metody. Cvičení je zaměřeno na konkrétní implementace těchto metod na vybraných úlohách.