Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 174, осень 2016
Материал из MachineLearning.
(Различия между версиями)
(→Расписание) |
(→Расписание) |
||
(8 промежуточных версий не показаны.) | |||
Строка 48: | Строка 48: | ||
! Дата | ! Дата | ||
! Тема | ! Тема | ||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
|- | |- | ||
|Гринчук Алексей | |Гринчук Алексей | ||
|19 октября | |19 октября | ||
- | | | + | |[[Media:Grinchuk2016RL.pdf|Reinforecement LearningLinear value function approximation, pdf]] |
- | + | ||
- | + | ||
- | | | + | |
|- | |- | ||
|Ефимова Ирина | |Ефимова Ирина | ||
|19 октября | |19 октября | ||
- | | | + | |[[Media:Efimova2016HierModels.pdf|Иерархические тематические модели, pdf]] |
- | + | ||
- | + | ||
- | | | + | |
|- | |- | ||
|Карасиков Михаил | |Карасиков Михаил | ||
|26 октября | |26 октября | ||
- | | | + | |[[Media:Karasikov2016Scoring.pdf|Protein Scoring, pdf]] |
- | + | ||
- | + | ||
- | | | + | |
|- | |- | ||
|Попова Мария | |Попова Мария | ||
|2 ноября | |2 ноября | ||
- | | | + | |[[Media:Popova2016DL.pdf|Generative Adversarial Networks, pdf]] |
- | + | ||
- | + | ||
- | | | + | |
|- | |- | ||
|Хайруллин Ринат | |Хайруллин Ринат | ||
|9 ноября | |9 ноября | ||
- | | | + | |[[Media:SSL_IN_DGM.pdf|Semi-supervised learning in deep generative models, pdf]] |
- | + | ||
- | + | ||
- | | | + | |
|- | |- | ||
|Швец Михаил | |Швец Михаил | ||
|9 ноября | |9 ноября | ||
- | | | + | |[[Media:Shvets2016Vision.pdf|Dense correspondence prediction in computer vision, pdf]] |
- | + | ||
- | + | ||
- | + | ||
|- | |- | ||
|} | |} |
Текущая версия
Лекции на актуальные темы машинного обучения
Лекции
Источник: научные статьи последних лет, желательно 2015-2016. Продолжительность: 45 минут. Число слайдов: 20-30. Цели:
- Раскрыть проблему постановки и решения 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 примеры прикладных задач.
Оценки: max 7 за лекцию + max 3 за тесты. Тест: готовит лектор, 5 вопросов со ответом. Результат теста: N из 5 отображается в 3/6.
Темы на выбор
Указать в таблице одну из тем:
- Тема вашей дипломной работы
- Reinforcement learning
- Active learning
- Bayesian programming
- 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
Расписание
Автор | Дата | Тема |
---|---|---|
Гринчук Алексей | 19 октября | Reinforecement LearningLinear value function approximation, pdf |
Ефимова Ирина | 19 октября | Иерархические тематические модели, pdf |
Карасиков Михаил | 26 октября | Protein Scoring, pdf |
Попова Мария | 2 ноября | Generative Adversarial Networks, pdf |
Хайруллин Ринат | 9 ноября | Semi-supervised learning in deep generative models, pdf |
Швец Михаил | 9 ноября | Dense correspondence prediction in computer vision, pdf |
Практикум
- 19 октября - 2 ноября