베이즈통계 연구실 세미나 자료를 모아놓는 곳입니다.
- 9/21 영상 시청 : NIPS 2017 Test of Time Award “Machine learning has become alchemy.”
- 10/5 이경원 : Asymptotic properties for Bayesian neural network Besov space
- 10/5 김성민 : Eigenstructure of Sample Covariance
- 11/2 권영우 : Quantifying Observed Prior Impact
- 11/16 백승찬 : Properties of Wishart distribution
- 12/14 이재귀 : Bayesian empirical likelihood for ridge and lasso regression
- 12/28 오정훈 : Bayesian Random Fourier Frequency
- 12/28 신창수 : 깁스추출법을 이용한 자기회귀모형
- 7/6 영상 시청 : The role of study design and data science when estimating causal effects in non-experimental studies(Elizabeth Stuart)
- 8/10 장태영 : Properties of Elastic Net and Comparison with Relaxed Lasso Properties of Elastic Net and Comparison with Relaxed Lasso
- 8/10 이경원 : 확률적 프로그래밍 언어
- 8/24 이재귀 : Exponentially Tilted Empirical Likelihood
- 8/24 박수원 : 디리클레 프로세스 혼합모형의 직관적인 이해
- 9/7 오정훈 : The Expectation-Propagation Algorithm
- 9/7 김성민 : Matrix derivative
- 3/30 영상 시청 : Bayesian inference using estimating equations via empirical likelihood(Howard Bondell)
- 4/15 오정훈 : The Frequentist Viewpoint and Conditioning
- 4/27 김성민 : Bayesian Quantile Regression Based on the Empirical Likelihood with Spike and Slab Priors
- 4/27 이재귀 : A Review of Empirical Likelihood
- 5/11 장태영 : Supporting Vector Machines and Dual Problem
- 5/11 이경원 : Exchangeability and de Finetti’s Theorem
- 5/25 정진욱 : Quasi-Monte Carlo Quasi-Newton for variational Bayes
- 6/22 박수원 : Uncertainty Quantification in Bayesian Neural Net : Application
Bayesian Deep Learning with R
참고문헌 : Uncertainty in Deep Learning, Yarin Gal (2016)
- 박세원 – Ch1 ~ 2 및 케라스 기초(R) (06.24)
- 양현주 – 케라스를 이용한 간단한 딥러닝 구현 (06.27)
- 이수현 – Ch3 (07.01)
- 이경원 – Ch4 (07.08)
- 이재귀 – 텐서플로 기초(R) (07.11)
- 이수현 – 케라스와 텐서플로를 이용한 베이지안 딥러닝 구현 (07.15)