Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 074, осень 2015
Материал из MachineLearning.
- (Название будет изменено)
В.В. Стрижов, Регрессионный анализ (Название будет изменено)
Автор | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
---|---|---|---|---|---|---|---|---|---|---|---|
Рудой (пример) | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
Бахтеев Олег | |||||||||||
Вдовина Евгения | |||||||||||
Гринчук Олег | |||||||||||
Катруца Александр | |||||||||||
Митяшов Андрей | |||||||||||
Рыскина Мария | |||||||||||
Старожилец Всеволод | |||||||||||
Трофимов Михаил | |||||||||||
Хайруллин Ренат | |||||||||||
Сухарева Анжелика |
Бахтеев, Вдовина, Старожилец, Трофимов, Хайруллин, Гринчук, Митяшов, Рыскина, Катруца, Сухарева
- Эссе помещаются в папку /Group074/Surname2014Essay/; каждый документ называется Surname2014EssayN, N = 1,…,10.
Список тем (будет изменен)
- Машинное обучение квантовых компьютеров
- Обзор практических задач на тему Brain-Computer Interface
- Нарисовать диаграмму, описывающую постановку задачи или ее центральную идею, и написать поясняющий текст.
- Описать в терминах Graph Rewriting один из алгоритмов порождения моделей:
- полный перебор
- построение сетей глубокого обучения:
,
— autoencoder, RBM, PCA
- МГУА
- нейросеть.
Литература:
- Роман Сологуб. Алгоритмы индуктивного порождения и трансформации моделей. [1]
- Ehrig H., Pfender M., Shneider H. J. Graph-grammars: An algebraic approah // Swithing and Automata Theory, 1973. SWAT '08. IEEE Conferene Reord of 14th Annual Symposium on. 1973. Pp. 167-180.
- Fundamentals of Algebraic Graph Transformation / H. Ehrig, K. Ehrig, U. Prange, G. Taentzer. illustrated edition edition. Springer, Berlin, 2006.
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
- 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 |
Тема лекции | 3 сентября | ||||
Роль функции ошибки в в алгоритмах выбора признаков | 10 сентября | ||||
Выпуклые релаксации в задаче квадратичного программирования | Александр Катруца | Презентация, pdf | 17 сентября | 5(TLK)+ | |
Задачи ИЧК (BCI) и обработка сигналов МЭГ | Вдовина Евгения | 0(TLK)+3.5/5(AK)+ | |||
Self-Modeling Regression | 24 сентября | ||||
Инварианты в задачах глубокого обучения | Бахтеев Олег | 1 октября | 0(TLK)+2.5/5(AK) | ||
Автокодировщики в сетях глубокого обучения | Кузнецова Рита | 1 октября | |||
Иерархическое согласование прогнозов временных рядов | 8 октября | 9.675 | |||
Обучение словарей | Сухарева Анжелика | 15 октября | 0(TLK)+1/5(AK)+ | ||
Preference Learning | Трофмов | 22 октября | 0(TLK)+3/5(AK)+ | ||
Preference Learning | 29 октября |
Список тем (будет изменен)
- Multivariate Density Estimation
- Data Analysis Problem Statements in the Category Theory Language
- Machine Learning Problem Statements in Plate Notations
- Deep Learning: Constucting Network Superpositions (for Big Data)
- Learning of Games: Applications for Multiarm Bandits
- Problems of Voting, Expert Systems and Preference Learning
- Topic Modeling: PLSA, LDA et al.
- Data and Parameter Sampling and Applications
- Usage of Copulas
Дополнительно
- Метрические вложения
- Теория статистического обучения
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
- привести теоретические примеры и основные свойства
- представить математические методы,
- дать теоретические постановки задач,
- привести приметы прикладных задач.
Оценки: макс. 7 баллов из 10 (5 за лекцию + 2 за тесты). Тест: готовит лектор, 5 вопросов со свободным ответом и вопрос «Основное сообщение лекции (2-3 предложения)». Результат теста: N из 5 (отображается в 1/4). 17 декабря – отчеты о научной работе.
А.А. Ивахненко, Практика и методология промышленного анализа данных
Автор | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
---|---|---|---|---|---|---|---|---|---|---|---|
Бунаков | [2], Демо |
- Файлы помещаются в папку Surname2014Essay; каждый файл называется Surname2014NbN, N = 1,…,10. Опубликовать ссылки на web-интерфейсы.
(Задания будут изменены)
Задание 1.
Завести учетную запись на сайте [3]. Создать учебный пример для легкого изучения языка Mathematica по образу примера Matlab.
Задание 2.
Создать графический пользовательский интерфейс для решения классических задач распознавания, классификации и кластеризации. Ссылку на веб-интерфейс посатвить рядом со ссылкой на файл Nb. См. пример.