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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(В.В. Стрижов, Регрессионный анализ (Название будет изменено))
(К.В. Рудаков, Интеллектуальные системы)
 
(76 промежуточных версий не показаны.)
Строка 1: Строка 1:
{{Main|Численные методы обучения по прецедентам (практика, В.В. Стрижов)}}
{{Main|Численные методы обучения по прецедентам (практика, В.В. Стрижов)}}
-
{{Main|Прикладной регрессионный анализ (курс лекций, B.В. Стрижов)}} (Название будет изменено)
+
{{Main|Прикладной регрессионный анализ (курс лекций, B.В. Стрижов)}}
__NOTOC__
__NOTOC__
-
==В.В. Стрижов, Регрессионный анализ (Название будет изменено) ==
+
==В.В. Стрижов, Дополнительные главы машинного обучения ==
{|class="wikitable"
{|class="wikitable"
|-
|-
Строка 15: Строка 15:
! 7
! 7
! 8
! 8
-
! 9
 
-
! 10
 
! <tex>{\Sigma}</tex>
! <tex>{\Sigma}</tex>
|-
|-
|Рудой (пример)
|Рудой (пример)
-
|Вдовина Евгения
+
| 1[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group874/Rudoy2013Essay/Rudoy2013Essay01.pdf?format=raw]
-
| 1
+
| 2
| 2
| 3
| 3
Строка 29: Строка 26:
| 7
| 7
| 8
| 8
-
| 9
 
-
| 10
 
| <tex>{\Sigma}</tex>
| <tex>{\Sigma}</tex>
 +
|-
 +
|Бахтеев Олег
 +
| 1[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Bakhteev2015Essay/Bakhteev2015Essay1/doc.pdf]
 +
|
 +
| 3[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Bakhteev2015Essay/Bakhteev2015Essay2/doc.pdf]
 +
|
 +
| 5[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Bakhteev2015Essay/Bakhteev2015Essay5/doc.pdf]
 +
| 6[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Bakhteev2015Essay/Bakhteev2015Essay6/BakhteevStructureConditions.pdf]
 +
| 7[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Bakhteev2015Essay/Bakhteev2015Essay7/Problem.pdf]
 +
| 8[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Bakhteev2015Essay/Bakhteev2015Essay8/Bakhteev2015Essay8.pdf]
 +
| 6
 +
|-
 +
|Вдовина Евгения
 +
|
 +
|2[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Vdovina2015Essay/Vdovina2015Essay2.pdf]
 +
|3[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Vdovina2015Essay/Vdovina2015Essay3.pdf]
 +
|4[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Vdovina2015Essay/Vdovina2015Essay4.pdf]
 +
|5[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Vdovina2015Essay/Vdovina2015Essay5.pdf]
 +
|
 +
|7[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Vdovina2015Essay/Vdovina2015Essay7.pdf]
 +
|
 +
|5
 +
|-
 +
|Старожилец Всеволод
 +
|1[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Starozhilets2015Essay/Starozhilets2015Essay1/StarozhiletsEssay1.pdf]
 +
|
 +
|3[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Starozhilets2015Essay/Starozhilets2015Essay3/StarozhiletsEssay3.pdf]
 +
|4[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Starozhilets2015Essay/Starozhilets2015Essay4/StarozhiletsEssay4.pdf]
 +
|
 +
|
 +
|7[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Starozhilets2015Essay/Starozhilets2015Essay7/StarozhiletsEssay7.pdf]
 +
|8[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Starozhilets2015Essay/Starozhilets2015Essay8/StarozhiletsEssay8.pdf]
 +
|5
 +
|-
 +
|Трофимов Михаил
 +
|
 +
|2[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Trofimov2015Essay/Trofimov2015Essay2/Trofimov2015Essay2.pdf?format=raw]
 +
|3[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Trofimov2015Essay/Trofimov2015Essay3/Trofimov2015Essay3.pdf?format=raw]
 +
|4[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Trofimov2015Essay/Trofimov2015Essay4/Essay4.pdf?format=raw]
 +
|5[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Trofimov2015Essay/Trofimov2015Essay5/Trofimov2015Essay5.pdf?format=raw]
 +
|
 +
|7[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Trofimov2015Essay/Trofimov2015Essay7/Essay7.pdf?format=raw]
 +
|
 +
|5
 +
|-
 +
|Сухарева Анжелика
 +
|1[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Sukhareva2015Essay/Sukhareva2015Essay1.pdf?format=raw]
 +
|2[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Sukhareva2015Essay/Sukhareva2015Essay2.pdf?format=raw]
 +
|3[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Sukhareva2015Essay/Sukhareva2015Essay3.pdf?format=raw]
 +
|4[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Sukhareva2015Essay/Sukhareva2015Essay4.pdf?format=raw]
 +
|5[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Sukhareva2015Essay/Sukhareva2015Essay5.pdf?format=raw]
 +
|6[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Sukhareva2015Essay/Sukhareva2015Essay6.pdf?format=raw]
 +
|7[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Sukhareva2015Essay/Sukhareva2015Essay7.pdf?format=raw]
 +
|8[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Sukhareva2015Essay/Sukhareva2015Essay8.pdf?format=raw]
 +
|8
 +
|-
 +
|Катруца Александр
 +
| 1[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Katrutsa2015Essay/Essay1/Essay1.pdf]
 +
|
 +
|
 +
|
 +
|
 +
|
 +
|
 +
|
 +
|
|-
|-
|}
|}
-
Бахтеев, Вдовина, Старожилец, Трофимов, Хайруллин, Гринчук, Митяшов, Рыскина, Катруца
+
* Эссе помещаются в папку /Group074/Surname2015Essay/; каждый документ называется Surname2015EssayN, N = 1,,10.
-
* Эссе помещаются в папку /Group074/Surname2014Essay/; каждый документ называется Surname2014EssayN, N = 1,,10.
+
'''Список тем'''
 +
# Роль функции ошибки в задачах выбора признаков
 +
#:Ключевые слова:
 +
#:принцип belsley, неустойчивость ROC-кривой, монотонность поведения классификатора по двум функциям ошибки
 +
# Построение интегральных индикаторов для описанных в ранговых шкалах
 +
#:На выбор:
 +
##Привести пример задачи с данным в разнородных шкалах, а также метод ее решения.
 +
##Привести пример задачи с использованием матрицы расстояний объектов в разнородных шкалах, а также метод ее решения.
 +
# Поставить задау, выбранную в рамках группового проекта
 +
#* в контексте всей системы,
 +
#* как отдельный элемент системы.
 +
# Предложить решение классической задачи 28 из [[Задачи пробного программирования|списка задач для поступления на кафедру]].
 +
# Сделать краткое и ясное описание на языке алгебры и теории графов одного из нижеперечисленных методов
 +
## Word2vec
 +
## Рекурсивный автокодировщик
 +
## Машина Больцмана
 +
## Сверточная нейронная сеть
 +
## Структурное обучение по [http://www.youtube.com/watch?v=LbsBguCUFEc Tommi Jaakkola]
 +
## Структурное обучение по [http://www.jmlr.org/papers/volume6/tsochantaridis05a/tsochantaridis05a.pdf Ioannis Tsochantaridis], см. также [http://www.di.ens.fr/willow/events/cvml2010/materials/INRIA_summer_school_2010_Christoph.pdf слайды.]
 +
# Сделать, по возможности, полное и подробное описание постановки задачи оптимизации параметров сети глубокого обучения с учетом расписания процедур иерархической оптимизации.
-
'''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: <tex> f = G(h_1\dots(h_k(x)))</tex>, <tex>G</tex> — autoencoder, RBM, PCA
 
-
#* МГУА
 
-
#* нейросеть.
 
-
Литература:
 
-
* Роман Сологуб. Алгоритмы индуктивного порождения и трансформации моделей. [http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/PhDThesis/Sologub2013GenerationFinal/diss/my_input_2e.pdf?format=raw]
 
-
* 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'''
'''Список тем прошлого года'''
# Аппроксимация множества точек замкнутыми кривыми
# Аппроксимация множества точек замкнутыми кривыми
Строка 65: Строка 132:
== К.В. Рудаков, Интеллектуальные системы ==
== К.В. Рудаков, Интеллектуальные системы ==
-
 
+
'''Список тем'''
* Алгоритмы машинного обучения на квантовых компьютерах
* Алгоритмы машинного обучения на квантовых компьютерах
* Задачи ИЧК (BCI) и обработка сигналов МЭГ
* Задачи ИЧК (BCI) и обработка сигналов МЭГ
* Частичное обучение (Semi-supervised learning, Transductive learning)
* Частичное обучение (Semi-supervised learning, Transductive learning)
* "Косвенное обучение" (Transfer learning)
* "Косвенное обучение" (Transfer learning)
-
* Обучение словарей (Dictionary learning)
+
* Обучение словарей (Dictionary learning) (+)
* Задачи многоклассовой классификации с классами различной мощности
* Задачи многоклассовой классификации с классами различной мощности
* Функция ошибки в моделях глубокого обучения (и задача выбора моделей)
* Функция ошибки в моделях глубокого обучения (и задача выбора моделей)
-
* Инварианты в задачах глубокого обучения
+
* Инварианты в задачах глубокого обучения (+)
* Оценка объема выборки в глубоком обучении
* Оценка объема выборки в глубоком обучении
* Generative vs Discriminative (+)
* Generative vs Discriminative (+)
Строка 96: Строка 163:
|9.75
|9.75
|-
|-
-
| Тема лекции
+
|Методы оценки ковариационных матриц в задачах регрессии и классификации
-
|
+
|Александр Адуенко
-
|
+
|[[Media:Aduenko_presentation_russian.pdf|Презентация, pdf]]
-
|3 сентября
+
|22 октября
|
|
|
|
|-
|-
-
|От нейронных сетей к Deep Learning
+
|Методы построения мультимоделей в задачах регрессии
-
|
+
|Александр Адуенко
-
|
+
|[[Media:Aduenko multimodels 20151126.pdf|Презентация, pdf]]
-
|10 сентября
+
|26 ноября
|
|
|
|
|-
|-
-
|Иерархическое тематическое моделирование вероятностный и детерминистский подход: тестирование моделей.
+
|Выпуклые релаксации в задаче квадратичного программирования
-
|
+
|Александр Катруца
-
|
+
|[http://svn.code.sf.net/p/mlalgorithms/code/Group074/Katrutsa2015Essay/presentation/convex_relaxation.pdf?format=raw Презентация, pdf]
| 17 сентября
| 17 сентября
-
|
+
|5(TLK)+
|
|
|-
|-
-
|Self-Modeling Regression
+
| Задачи ИЧК (BCI) и обработка сигналов МЭГ
-
|
+
| Вдовина Евгения
-
|
+
|[http://svn.code.sf.net/p/mlalgorithms/code/Group074/Vdovina2015Essay/BCI_presentation.pdf Презентация, pdf]
-
| 24 сентября
+
|15 октября
 +
|4(TLK)+3.5/5(AK)+5/5(OB)+5/5(RK)+5/5(MT)+4/5(AA)+5/5(AS)+5/5(VS)
 +
|5.625
 +
|-
 +
|Порождающий и разделяющий подходы в задаче определения объема выборки
 +
|Анастасия Мотренко
 +
|[http://svn.code.sf.net/p/mlalgorithms/code/PhDThesis/Motrenko/presentation/GenDis_presentation.pdf?format=raw Презентация, pdf]
 +
|12 ноября
|
|
|
|
|-
|-
-
|
+
| Инварианты в задачах глубокого обучения
-
|
+
| Бахтеев Олег
-
|
+
|[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Bakhteev2015Essay/Bakhteev2015DeepInvariants/presentation.pdf Презентация, pdf]
| 1 октября
| 1 октября
-
|
+
|4(TLK)+2.5/5(AK)+4.5/5(MT)+3/5(AA)+5/5(AS)
-
|
+
|4.75
|-
|-
-
|Иерархическое согласование прогнозов временных рядов
 
-
|
 
-
|
 
-
| 8 октября
 
-
|
 
-
|9.675
 
-
|-
 
-
|
 
-
|
 
|
|
 +
Word2vec, синтаксические парсеры, автокодировщики в сетях глубокого обучения
 +
| Кузнецова Рита
 +
|[https://svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/presentation.pdf Презентация, pdf]
| 15 октября
| 15 октября
|
|
|
|
|-
|-
-
|Preference Learning
+
|Обучение словарей
-
|
+
|Анжелика Сухарева
-
|
+
|[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Sukhareva2015Essay/Sukhareva_Presentation.pdf Презентация, pdf]
| 22 октября
| 22 октября
-
|
+
|4(TLK)+1/5(AK)+4/5(OB)+3.5/5(RK)+4.5/5(EV)+4/5(MT)+2/5(AA)+4/5(VS)
-
|
+
|5.15
 +
|-
 +
|Онлайновое обучение, обучение с подкреплением
 +
|Михаил Трофимов
 +
|[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group074/Trofimov2015OnlineLearningReinforcementLearning/Trofimov2015OLRL.pdf?format=raw Презентация, pdf]
 +
| 22 октября
 +
|5/5(TLK)+3/5(AK)+5/5(RK)+4/5(EV)+4/5(AA)+5/5(AS)
 +
|6.05
|-
|-
-
|Preference Learning
+
|Semi-supervised learning
-
|
+
|Всеволод Старожилец
-
|
+
|[https://svn.code.sf.net/p/mlalgorithms/code/Group074/Starozhilets2015Essay/Semi-Supervised_learning/semi-supervised_learning.pdf Презентация, pdf]
-
| 29 октября
+
|12 ноября
 +
|4/5(TLK)+3/5(OB)+4/5(RK)+5/5(EV)+5/5(MT)+4/5(AA)+4/5(AS)
 +
|5.25
 +
|-
 +
|Метрические тензоры (skype-семинар)
 +
|Бахтеев Олег
 +
|[http://svn.code.sf.net/p/mlalgorithms/code/Group074/Bakhteev2015Essay/Bakhteev2015MT/doc.pdf Презентация, pdf]
 +
|15 ноября
|
|
|
|
|-
|-
|}
|}
-
'''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:'''
'''Требования:'''
Продолжительность: 1 академический час, 45 минут.
Продолжительность: 1 академический час, 45 минут.
Число слайдов: 20-30 (по вкусу).
Число слайдов: 20-30 (по вкусу).
-
# Раскрыть проблему постановки задачи Машинного обучения и анализа данных в данной теме
+
# Раскрыть проблему постановки задачи машинного обучения и анализа данных в данной теме.
-
# Подобрать примеры постановки (и решения) известных (а может и узкоспециальных) задач
+
# Подобрать примеры постановки и решения известных (а может и узкоспециальных) задач.
Рекомендации к стилю изложения:
Рекомендации к стилю изложения:
-
# дать основные определения этой области
+
# дать основные определения этой области,
-
# привести теоретические примеры и основные свойства
+
# вводимые обозначения должны быть удобны и непротиворечивы,
 +
# используемые термины должны быть точны,
 +
# дать теоретические постановки задач,
 +
# желательно привести теоретические примеры решения и его основные свойства,
# представить математические методы,
# представить математические методы,
-
# дать теоретические постановки задач,
 
# привести приметы прикладных задач.
# привести приметы прикладных задач.
-
Оценки: макс. 7 баллов из 10 (5 за лекцию + 2 за тесты).
+
Оценки: максимум 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).
+
Тест: готовит лектор, 5 вопросов со ответом. Результат теста: N из 5 (отображается в 1/4).
17 декабря – отчеты о научной работе.
17 декабря – отчеты о научной работе.
== А.А. Ивахненко, Практика и методология промышленного анализа данных ==
== А.А. Ивахненко, Практика и методология промышленного анализа данных ==
-
{|class="wikitable"
+
'''Групповой проект:''' [https://docs.google.com/spreadsheets/d/1QabUaHzPAIfFTmDtJyaZCoZzHNFpGOviM-M_N7u5WV8/edit?usp=sharing Сети глубокого обучения для задачи классификации временных рядов]
-
|-
+
-
! Автор
+
-
! 1
+
-
! 2
+
-
! 3
+
-
! 4
+
-
! 5
+
-
! 6
+
-
! 7
+
-
! 8
+
-
! 9
+
-
! 10
+
-
! <tex>{\Sigma}</tex>
+
-
|-
+
-
|Бунаков
+
-
|[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group974/Bunakov2014Essay/Bunakov2014Nb1.nb?format=raw], [https://www.wolframcloud.com/objects/e96e7a69-d9cc-4445-a562-6b685d714c6c 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 [https://programming.wolframcloud.com/app/]. 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.
+
Расписание результатов
 +
* 12 ноября: постановка задачи, работоспособная система в виде набора заглушек
 +
* 19 ноября: система с юнит-тестами и системными тестами
 +
* 26 ноября: доработанная система

Текущая версия


В.В. Стрижов, Дополнительные главы машинного обучения

Автор 1 2 3 4 5 6 7 8 {\Sigma}
Рудой (пример) 1[1] 2 3 4 5 6 7 8 {\Sigma}
Бахтеев Олег 1[2] 3[3] 5[4] 6[5] 7[6] 8[7] 6
Вдовина Евгения 2[8] 3[9] 4[10] 5[11] 7[12] 5
Старожилец Всеволод 1[13] 3[14] 4[15] 7[16] 8[17] 5
Трофимов Михаил 2[18] 3[19] 4[20] 5[21] 7[22] 5
Сухарева Анжелика 1[23] 2[24] 3[25] 4[26] 5[27] 6[28] 7[29] 8[30] 8
Катруца Александр 1[31]
  • Эссе помещаются в папку /Group074/Surname2015Essay/; каждый документ называется Surname2015EssayN, N = 1,…,10.

Список тем

  1. Роль функции ошибки в задачах выбора признаков
    Ключевые слова:
    принцип belsley, неустойчивость ROC-кривой, монотонность поведения классификатора по двум функциям ошибки
  2. Построение интегральных индикаторов для описанных в ранговых шкалах
    На выбор:
    1. Привести пример задачи с данным в разнородных шкалах, а также метод ее решения.
    2. Привести пример задачи с использованием матрицы расстояний объектов в разнородных шкалах, а также метод ее решения.
  3. Поставить задау, выбранную в рамках группового проекта
    • в контексте всей системы,
    • как отдельный элемент системы.
  4. Предложить решение классической задачи 28 из списка задач для поступления на кафедру.
  5. Сделать краткое и ясное описание на языке алгебры и теории графов одного из нижеперечисленных методов
    1. Word2vec
    2. Рекурсивный автокодировщик
    3. Машина Больцмана
    4. Сверточная нейронная сеть
    5. Структурное обучение по Tommi Jaakkola
    6. Структурное обучение по Ioannis Tsochantaridis, см. также слайды.
  6. Сделать, по возможности, полное и подробное описание постановки задачи оптимизации параметров сети глубокого обучения с учетом расписания процедур иерархической оптимизации.

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 Презентация, pdf 22 октября
Методы построения мультимоделей в задачах регрессии Александр Адуенко Презентация, pdf 26 ноября
Выпуклые релаксации в задаче квадратичного программирования Александр Катруца Презентация, pdf 17 сентября 5(TLK)+
Задачи ИЧК (BCI) и обработка сигналов МЭГ Вдовина Евгения Презентация, pdf 15 октября 4(TLK)+3.5/5(AK)+5/5(OB)+5/5(RK)+5/5(MT)+4/5(AA)+5/5(AS)+5/5(VS) 5.625
Порождающий и разделяющий подходы в задаче определения объема выборки Анастасия Мотренко Презентация, pdf 12 ноября
Инварианты в задачах глубокого обучения Бахтеев Олег Презентация, pdf 1 октября 4(TLK)+2.5/5(AK)+4.5/5(MT)+3/5(AA)+5/5(AS) 4.75

Word2vec, синтаксические парсеры, автокодировщики в сетях глубокого обучения

Кузнецова Рита Презентация, pdf 15 октября
Обучение словарей Анжелика Сухарева Презентация, pdf 22 октября 4(TLK)+1/5(AK)+4/5(OB)+3.5/5(RK)+4.5/5(EV)+4/5(MT)+2/5(AA)+4/5(VS) 5.15
Онлайновое обучение, обучение с подкреплением Михаил Трофимов Презентация, pdf 22 октября 5/5(TLK)+3/5(AK)+5/5(RK)+4/5(EV)+4/5(AA)+5/5(AS) 6.05
Semi-supervised learning Всеволод Старожилец Презентация, pdf 12 ноября 4/5(TLK)+3/5(OB)+4/5(RK)+5/5(EV)+5/5(MT)+4/5(AA)+4/5(AS) 5.25
Метрические тензоры (skype-семинар) Бахтеев Олег Презентация, pdf 15 ноября

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

Групповой проект: Сети глубокого обучения для задачи классификации временных рядов

Расписание результатов

  • 12 ноября: постановка задачи, работоспособная система в виде набора заглушек
  • 19 ноября: система с юнит-тестами и системными тестами
  • 26 ноября: доработанная система
Личные инструменты