Выбор моделей в машинном обучении (теория и практика, О.Ю. Бахтеев, В.В. Стрижов)/Группа 574, осень 2020

Материал из MachineLearning.

Версия 18:44, 1 сентября 2020 (править) Strijov (Обсуждение | вклад) ← К предыдущему изменению		Версия 18:58, 1 сентября 2020 (править) (отменить) Strijov (Обсуждение | вклад) (→Темы семинаров) К следующему изменению →
Строка 8:		Строка 8:
	=== Темы семинаров ===		=== Темы семинаров ===
-	# Байесовский вывод, повторение.	+	# Байесовский вывод (повторение).
-	#	+	# Вариационный вывод, семплирование, VAR, GAN (повторение)
-		+	# Смеси моделей, смеси экспертов и их применение
-		+	# Экспертное обучение и способы назначения априорных распределений
-		+	# Байесовский подход в теории игр и задачи ИИ
-		+	# Байесовское программирование и задачи порождения рукописных текстов
		+	# Необходимый размер выборки и его приложения в обучении с подкреплением
	=== Темы на выбор ===		=== Темы на выбор ===

---

Версия 18:58, 1 сентября 2020

Основная статья: Численные методы обучения по прецедентам (практика, В.В. Стрижов)

Серия семниаров и докладов на тему выбора моделей машинного обучения. Обсуждаются теоретическе аспекты и практика байесовского подхода к выбору моделей. Цель семинаров - обсудить роль информативного априорного распределения (informative prior). Основные вопросы:

1. Как учитывать экспертные знания при назначении АР (простановка задач байесовского выбора моделей)?
2. Каким образом связаны теоретические модели прикладной области с информативным АР (интерпретируемость моделей с точки зрения теории)?
3. Как использовать новую информацию, полученную в результате вывода, придальнейшем назначении АР?

Темы семинаров

1. Байесовский вывод (повторение).
2. Вариационный вывод, семплирование, VAR, GAN (повторение)
3. Смеси моделей, смеси экспертов и их применение
4. Экспертное обучение и способы назначения априорных распределений
5. Байесовский подход в теории игр и задачи ИИ
6. Байесовское программирование и задачи порождения рукописных текстов
7. Необходимый размер выборки и его приложения в обучении с подкреплением

Темы на выбор

Указать в таблице одну из тем:

Расписание

Дата	Автор	Тема		Автор	Тема
16
23
30
7 октября
14
21
28
4 ноября
11
18
25
2 декабря
9

Литература