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

Материал из MachineLearning.

Версия 20:28, 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. Оптимизация структур моделей и распределения структурных параметров
4. Смеси моделей, смеси экспертов и их применение
5. Прямое, обратное преобразование Фурье, его аппроксимация и АР
6. Спектральная теория графов и АР
7. Применение байесовских методов в биологии и в EM, SRF микроскории
8. Применение байесовских методов в теоретической физике
9. Экспертное обучение и способы назначения априорных распределений
10. Байесовский подход в теории игр и задачи ИИ
11. Байесовское программирование и задачи порождения рукописных текстов
12. Необходимый размер выборки и его приложения в обучении с подкреплением

Темы на выбор

Указать в таблице одну из тем:

Расписание

Литература