Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 074, осень 2015
Материал из MachineLearning.
(Различия между версиями)
(→К.В. Рудаков, Интеллектуальные системы) |
(→К.В. Рудаков, Интеллектуальные системы) |
Версия 21:58, 21 октября 2015
В.В. Стрижов, Дополнительные главы машинного обучения
Автор | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
---|---|---|---|---|---|---|---|---|---|---|---|
Рудой (пример) | 1[1] | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
Бахтеев Олег | 1[2] | ||||||||||
Вдовина Евгения | |||||||||||
Старожилец Всеволод | 1[3] | 3[4] | 4[5] | ||||||||
Трофимов Михаил | 2[6] | ||||||||||
Хайруллин Ренат | |||||||||||
Сухарева Анжелика | 1[7] | 3[8] | 4[9] | 5[10] | |||||||
Катруца Александр | 1[11] |
- Эссе помещаются в папку /Group074/Surname2015Essay/; каждый документ называется Surname2015EssayN, N = 1,…,10.
Список тем
- Роль функции ошибки в задачах выбора признаков
- Ключевые слова:
- принцип belsley, неустойчивость ROC-кривой, монотонность поведения классификатора по двум функциям ошибки
- Построение интегральных индикаторов для описанных в ранговых шкалах
- На выбор:
- Привести пример задачи с данным в разнородных шкалах, а также метод ее решения.
- Привести пример задачи с использованием матрицы расстояний объектов в разнородных шкалах, а также метод ее решения.
- Поставить задау, выбранную в рамках группового проекта
- в контексте всей системы,
- как отдельный элемент системы.
- Предложить решение классической задачи 28 из списка задач для поступления на кафедру.
- Сделать краткое и ясное описание на языке алгебры и теории графов одного из нижеперечисленных методов
- Word2vec
- Рекурсивный автокодировщик
- Машина Больцмана
- Сверточная нейронная сеть
- Структурное обучение по Tommi Jaakkola
- Структурное обучение по Ioannis Tsochantaridis, см. также слайды.
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
Список тем
- Алгоритмы машинного обучения на квантовых компьютерах
- Задачи ИЧК (BCI) и обработка сигналов МЭГ
- Частичное обучение (Semi-supervised learning, Transductive learning)
- "Косвенное обучение" (Transfer learning)
- Обучение словарей (Dictionary learning) (+)
- Задачи многоклассовой классификации с классами различной мощности
- Функция ошибки в моделях глубокого обучения (и задача выбора моделей)
- Инварианты в задачах глубокого обучения (+)
- Оценка объема выборки в глубоком обучении
- Generative vs Discriminative (+)
- Выбор признаков в задачах квадратичной оптимизации (+)
- Онлайновое обучение, обучение с подкреплением (+)
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 |
Методы оценки ковариационных матриц в задачах регрессии и классификации | Александр Адуенко | 22 октября | |||
Методы построения мультимоделей в задачах регрессии | Александр Адуенко | 19 ноября | |||
Выпуклые релаксации в задаче квадратичного программирования | Александр Катруца | Презентация, pdf | 17 сентября | 5(TLK)+ | |
Задачи ИЧК (BCI) и обработка сигналов МЭГ | Вдовина Евгения | 15 октября | 0(TLK)+3.5/5(AK)+5/5(OB)+5/5(RK) | ||
Порождающий и разделяющий подходы в задаче определения объема выборки | Анастасия Мотренко | октября | |||
Инварианты в задачах глубокого обучения | Бахтеев Олег | Презентация, pdf | 1 октября | 4(TLK)+2.5/5(AK) | |
Word2vec, синтаксические парсеры, автокодировщики в сетях глубокого обучения | Кузнецова Рита | Презентация, pdf | 15 октября | ||
Иерархическое согласование прогнозов временных рядов | 8 октября | 9.675 | |||
Обучение словарей | Сухарева Анжелика | Презентация, pdf | 22 октября | 0(TLK)+1/5(AK)+4/5(OB)+3.5/5(RK)+4.5/5(EV) | |
Онлайновое обучение, обучение с подкреплением | Михаил Трофимов | Презентация, pdf | 22 октября | 0(TLK)+3/5(AK)+5/5(RK)+4/5(EV) | |
Тема | Всеволод Старожилец | Дата | 3/5(OB)+4/5(RK)+5/5(EV) |
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,
- вводимые обозначения должны быть удобны и непротиворечивы,
- используемые термины должны быть точны,
- дать теоретические постановки задач,
- желательно привести теоретические примеры решения и его основные свойства,
- представить математические методы,
- привести приметы прикладных задач.
Оценки: максимум 7 баллов из 10 (5 за лекцию + 2 за тесты). Тест: готовит лектор, 5 вопросов со ответом. Результат теста: N из 5 (отображается в 1/4). 17 декабря – отчеты о научной работе.
А.А. Ивахненко, Практика и методология промышленного анализа данных
Групповой проект: Сети глубокого обучения для задачи классификации временных рядов