Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 974, осень 2014
Материал из MachineLearning.
(→В.В. Стрижов, Регрессионный анализ) |
(→А.А. Ивахненко, Практика и методология промышленного анализа данных) |
||
Строка 278: | Строка 278: | ||
| | | | ||
| | | | ||
- | |[ | + | |[http://nbviewer.ipython.org/urls/svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/ClusteringTextDocuments.ipynb-2.json] |
| | | | ||
| | | |
Версия 00:37, 6 ноября 2014
В.В. Стрижов, Регрессионный анализ
Автор | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10, результат |
---|---|---|---|---|---|---|---|---|---|---|
Рудой(пример) | 1[1] | 2[2] | 3[3] | 4[4] | 5[5] | 6[6] | 7[7] | 8[8] | 8 | 8 |
Бунаков | 1[9] | 2[10] | 3[11] | 4[12] | 5[13] | 7[14] | ||||
Кузьмин | 1[15] | 2[16] | 3[17] | 4[18] | 5[19] | 6[20] | 7[21] | 8[22] | 9[23] | |
Кузнецова | 1[24] | 2[25] | 3[26] | 4[27] | 5[28] | 6[29] | 7[30] | 8[31] | ||
Стенин | 1[32] | 2[33] | 3[34] | 4[35] | 5[36] | 6[37] | 8[38] | 9[39] | ||
Стенина | 1[40] | 2[41] | 3[42] | 4[43] | 5[44] | 6[45] | 7[46] | 8[47] | 9[48] | |
Целых | 1[49] | 2[50] | 3[51] | 4[52] | 5[53] | 6[54] | 7[55] |
- Эссе помещаются в папку Surname2014Essay; каждый документ называется Surname2014EssayN, N = 1,…,10.
Список тем
- Нарисовать диаграмму, описывающую постановку задачи или ее центральную идею, и написать поясняющий текст.
- Описать в терминах Graph Rewriting один из алгоритмов порождения моделей:
- полный перебор
- построение сетей глубокого обучения: , — autoencoder, RBM, PCA
- МГУА
- нейросеть.
Литература:
- Роман Сологуб. Алгоритмы индуктивного порождения и трансформации моделей. [56]
- Ehrig H., Pfender M., Shneider H. J. Graph-grammars: An algebraic approah // Swithing and Automata Theory, 1973. SWAT '08. IEEE Conferene Reord of 14th Annual Symposium on. 1973. Pp. 167-180.
- Fundamentals of Algebraic Graph Transformation / H. Ehrig, K. Ehrig, U. Prange, G. Taentzer. illustrated edition edition. Springer, Berlin, 2006.
Список тем прошлого года
- Аппроксимация множества точек замкнутыми кривыми
- Метод группового учета аргументов в краткой нотации
- Заполнение пропусков в порядковых шкалах (и в шкалах без отношения полного порядка)
- Роль Матрицы Ганкеля в прогнозировании временных рядов
- Интегральные индикаторы в ранговых шкалах
- Порождение признаков в прикладных задачах анализа данных
- Смеси моделей, многоуровневые модели, смеси экспертов
- Отыскание общих узлов в последовательности наборов метрических конфигураций
- Регрессионный анализ задачах математического моделирования. Найти пример использования регрессионного анализа в тех задачах математического моделирования в физике, химии, биологии, и т.д., где требуется получить модель, интерпретируемую в терминах предметной области
- Машинное обучение через 20 лет: какими методами АД (МО, ИИ, ЭС, АЗ,...) мы будем пользоваться? Какие задачи мы будет решать? Что я буду делать в своей профессиональной области?
К.В. Рудаков, Интеллектуальные системы
Тема | Автор | Ссылка | Дата | Результат | Сумма |
---|---|---|---|---|---|
Алгоритмы индуктивного порождения и трансформации моделей | Сологуб | Диссертация, pdf, Презентация, pdf | 4 сентября | NIR(3) + OK(5)+1/4 * [(0/GR)+(8/10)+(8/10AM)+(8/10AR)+(9/10)+(4.5/5)+(10/10)+(4.5/5)+(9/10)] | 9.75 |
?? | Адуенко | ?? | 11 сентября | NIR(3) + OK(5) + 1/4 * [(2.5/5RS) + (0/5MS) + (0/5VC) + (0/5AK) + (0/5RK) + (0/5VB)] | 8.125 |
От нейронных сетей к Deep Learning | Бунаков | Презентация, pdf | 30 октября | NIR(3) + OK(5) + 1/4 * [(2.5/5RS) + (5/5AA) + (5/5MS) + (5/5VC) + (3.5/5AK) + (5/5RK) + (4.5/5SS)] | 9.525 |
Иерархическое тематическое моделирование вероятностный и детерминистский подход: тестирование моделей. | Кузьмин | Презентация, pdf | 2 октября | NIR(3) + OK(5) + 1/4 * [(0/5RS) + (0/5AA) + (0/5MS) + (0/5VC) + (0/5RK) + (0/5VB)] | 8 |
Self-Modeling Regression | Кузнецова | 16 октября | NIR(3) + OK(5) + 1/4 * [(2.5/5RS) + (4/5AA)+ (0/5MS) + (0/5VC) + (5/5AK) + (5/5VB)] | 8.825 | |
n-grams in topic modeling | Стенин | Презентация, pdf | 23 октября | NIR(3) + OK(5) + 1/4 * [(3.5/5RS) + (5/5AA) + (5/5MS) + (0/5VC) + (4.5/5AK) + (5/5RK) + (5/5VB)] | 9.4 |
Иерархическое согласование прогнозов временных рядов | Стенина | Статья, pdf | 18 сентября | NIR(3) + OK(5) + 1/4 * [(4/5RS) + (5/5AA) + (5/5VC) + (4.5/5AK) + (5/5RK) + (5/5SS) + (5/5VB)] | 9.675 |
Оценивание параметров и метод bootstrap | Целых | Презентация, pdf | 25 сентября | NIR(3) + OK(5) + 1/4 * [(3.5/5RS) + (5/5AA) + (5/5MS) + (5/5AK) + (5/5RK) + (5/5SS) + (5/5VB)] | 9.675 |
Preference Learning | Кузнецов | 6 ноября |
Список тем
- Multivariate Density Estimation
- Data Analysis Problem Statements in the Category Theory Language
- Machine Learning Problem Statements in Plate Notations
- Deep Learning: Constucting Network Superpositions (for Big Data)
- Learning of Games: Applications for Multiarm Bandits
- Problems of Voting, Expert Systems and Preference Learning
- Topic Modeling: PLSA, LDA et al.
- Data and Parameter Sampling and Applications
- Usage of Copulas
Дополнительно
- Метрические вложения
- Теория статистического обучения
Требования: Продолжительность: 1 академический час, 45 минут. Число слайдов: 20-30 (по вкусу).
- Раскрыть проблему постановки задачи Машинного обучения и анализа данных в данной теме
- Подобрать примеры постановки (и решения) известных (а может и узкоспециальных) задач
Рекомендации к стилю изложения:
- дать основные определения этой области
- привести теоретические примеры и основные свойства
- представить математические методы,
- дать теоретические постановки задач,
- привести приметы прикладных задач.
Оценки: макс. 7 баллов из 10 (5 за лекцию + 2 за тесты). Тест: готовит лектор, 5 вопросов со свободным ответом и вопрос «Основное сообщение лекции (2-3 предложения)». Результат теста: N из 5 (отображается в 1/4). 17 декабря – отчеты о научной работе.
А.А. Ивахненко, Практика и методология промышленного анализа данных
Автор | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10, результат |
---|---|---|---|---|---|---|---|---|---|---|
Бунаков | [57], Демо | [58], k-means | [59], ГА | Ranks | Clustering | |||||
Кузьмин | [60]Демо | [61]SVM | [62]Models | Models | Ranks | Cov. Matrix | Clustering | |||
Кузнецова | [63][64][65] | [66][67] | [68] | [69] | ||||||
Стенин | [70] | [], Linear Fit | ModelGeneration | ObjectTomodel | Ranks | CovMatrix | ||||
Стенина | [71], Демо | [72], Random Forest | [73], Graph Rewriting | [74], Multilevel models | Ranks | Cov. matrix | Clustering | |||
Целых | [75], Демо | [76], Naive Bayes | [77], Graph Rewriting | [78], Multilevel models | Ranks | Cov. matrix | Clustering |
- Файлы помещаются в папку Surname2014Essay; каждый файл называется Surname2014NbN, N = 1,…,10. Опубликовать ссылки на web-интерфейсы.
Задание 1.
Завести учетную запись на сайте [79]. Создать учебный пример для легкого изучения языка Mathematica по образу примера Matlab.
Задание 2.
Создать графический пользовательский интерфейс для решения классических задач распознавания, классификации и кластеризации. Ссылку на веб-интерфейс посатвить рядом со ссылкой на файл Nb. См. пример.