Description

Chargé de cours : Nicolas Jouvin
Horaires : Mercredi 8h30-11h45.

Slides

Up-to-date version of the slides: here (there will be frequent updates, keep up to date !)

News

• Exam: mercredi 8 janvier - 8h30-11h30 (Salle à vérifier sur Hyperplanning)
• Devoir maison facultatif : télécharger l’énoncé ici (correction le 3 janvier).
• Annales :
• Sujet 2023
• Sujet 2022 (attention, je n’étais pas chargé du cours cette année là)

Outline

1. Introduction to Bayesian statistics
2. Clustering with finite mixture models
3. The EM algorithm
4. Hidden Markov Models
5. Stochastic Block Model and introduction to variational inference

Séances

• 1ère séance : 3h class + Dowload TD1 exercice sheet + Bonus practical session
• Séance 2 & 3: Mixture models & Expectation-Maximization algorithm. Download the TD2 exercise sheet + live correction.
• 4ème séance : Introduction to HMMs + Bonus practical session on discrete Markov chains
• 5ème séance: EM algorithm for HMMs (a.k.a. Baum-Welsch) + Practical session on HMMs: EM and Viterbi + live_correction
• 6ème séance: The stochastic block model & introduction to variational inference

Corrections

• Séance 2 - chaîne de Markov: télécharger le Rmarkdown de correction

• Séance 4 : algorithme EM télécharger le Rmarkdown de correction

• Séance 5 : TP HMM télécharger le Rmarkdown de correction

Ressources en ligne

• Stéphane Robin’s Lecture
• Sophie Donnet’s Lecture
• Chistopher M. Bishop’s Book : for this course, relevant chapters are mostly 8, 9 & 10 (chapter 12 on continuous latent variables can be useful as well, the core ideas do not change)
• Kevin P. Murphy’s Book