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

Материал из MachineLearning.

Версия 18:59, 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. Оптимизация структур моделей и распределения структурных параметров
5. Экспертное обучение и способы назначения априорных распределений
6. Байесовский подход в теории игр и задачи ИИ
7. Байесовское программирование и задачи порождения рукописных текстов
8. Необходимый размер выборки и его приложения в обучении с подкреплением

Темы на выбор

Указать в таблице одну из тем:

Расписание

Литература