Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 074, осень 2015

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(К.В. Рудаков, Интеллектуальные системы)
(К.В. Рудаков, Интеллектуальные системы)
Строка 225: Строка 225:
|9.75
|9.75
|-
|-
-
| Тема лекции
+
|Методы оценки ковариационных матриц в задачах регрессии и классификации
 +
|Александр Адуенко
|
|
-
|
+
|? октября
-
|3 сентября
+
|
|
|
|
|-
|-
-
|Роль функции ошибки в в алгоритмах выбора признаков
+
|Методы построения мультикоделей в задачах регрессии
-
|
+
|Александр Адуенко
|
|
-
|10 сентября
+
|? октября
|
|
|
|
Строка 253: Строка 253:
|
|
|-
|-
-
|Self-Modeling Regression
+
|Порождающий и разделяющий подходы в задаче определения объема выборки
 +
|Анастасия Мотренко
|
|
-
|
+
|октября
-
| 24 сентября
+
|
|
|
|
Строка 288: Строка 288:
|
|
|-
|-
-
|Preference Learning
+
|Онлайновое обучение, обучение с подкреплением
-
|Трофмов
+
|Михаил Трофимов
|
|
| 22 октября
| 22 октября
Строка 295: Строка 295:
|
|
|-
|-
-
|Preference Learning
+
|Тема
-
|
+
|Фамилия
|
|
-
| 29 октября
+
|Дата
|
|
|
|

Версия 16:14, 20 сентября 2015

(Название будет изменено)


В.В. Стрижов, Регрессионный анализ (Название будет изменено)

Автор 1 2 3 4 5 6 7 8 9 10 {\Sigma}
Рудой (пример) 1 2 3 4 5 6 7 8 9 10 {\Sigma}
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)

  1. Машинное обучение квантовых компьютеров
  2. Обзор практических задач на тему Brain-Computer Interface
  3. Нарисовать диаграмму, описывающую постановку задачи или ее центральную идею, и написать поясняющий текст.
  4. Описать в терминах Graph Rewriting один из алгоритмов порождения моделей:
    • полный перебор
    • построение сетей глубокого обучения:  f = G(h_1\dots(h_k(x))), G — 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

  1. Аппроксимация множества точек замкнутыми кривыми
  2. Метод группового учета аргументов в краткой нотации
  3. Заполнение пропусков в порядковых шкалах (и в шкалах без отношения полного порядка)
  4. Роль Матрицы Ганкеля в прогнозировании временных рядов
  5. Интегральные индикаторы в ранговых шкалах
  6. Порождение признаков в прикладных задачах анализа данных
  7. Смеси моделей, многоуровневые модели, смеси экспертов
  8. Отыскание общих узлов в последовательности наборов метрических конфигураций
  9. 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
  10. 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

Список тем

  • 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
Методы оценки ковариационных матриц в задачах регрессии и классификации Александр Адуенко ? октября
Методы построения мультикоделей в задачах регрессии Александр Адуенко ? октября
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)+
Порождающий и разделяющий подходы в задаче определения объема выборки Анастасия Мотренко октября
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)+
Онлайновое обучение, обучение с подкреплением Михаил Трофимов 22 октября 0(TLK)+3/5(AK)+
Тема Фамилия Дата

Требования: Продолжительность: 1 академический час, 45 минут. Число слайдов: 20-30 (по вкусу).

  1. Раскрыть проблему постановки задачи машинного обучения и анализа данных в данной теме.
  2. Подобрать примеры постановки и решения известных (а может и узкоспециальных) задач.

Рекомендации к стилю изложения:

  1. дать основные определения этой области,
  2. вводимые обозначения должны быть удобны и непротиворечивы,
  3. используемые термины должны быть точны,
  4. дать теоретические постановки задач,
  5. желательно привести теоретические примеры решения и его основные свойства,
  6. представить математические методы,
  7. привести приметы прикладных задач.

Оценки: максимум 7 баллов из 10 (5 за лекцию + 2 за тесты). Тест: готовит лектор, 5 вопросов со ответом. 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 {\Sigma}
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.

Личные инструменты