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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск

Strijov (Обсуждение | вклад)
(Новая: {{Main|Численные методы обучения по прецедентам (практика, В.В. Стрижов)}} {{Main|Прикладной регрессионный а...)
К следующему изменению →

Версия 17:29, 7 августа 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}
  • Эссе помещаются в папку /Group074/Surname2014Essay/; каждый документ называется Surname2014EssayN, N = 1,…,10.

Список тем (будет изменен)

  1. Нарисовать диаграмму, описывающую постановку задачи или ее центральную идею, и написать поясняющий текст.
  2. 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

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
От нейронных сетей к Deep Learning 10 сентября
Иерархическое тематическое моделирование вероятностный и детерминистский подход: тестирование моделей. 17 сентября
Self-Modeling Regression 24 сентября
1 октября
Иерархическое согласование прогнозов временных рядов 8 октября 9.675
15 октября
Preference Learning 22 октября
Preference Learning 29 октября

Список тем (будет изменен)

  1. Multivariate Density Estimation
  2. Data Analysis Problem Statements in the Category Theory Language
  3. Machine Learning Problem Statements in Plate Notations
  4. Deep Learning: Constucting Network Superpositions (for Big Data)
  5. Learning of Games: Applications for Multiarm Bandits
  6. Problems of Voting, Expert Systems and Preference Learning
  7. Topic Modeling: PLSA, LDA et al.
  8. Data and Parameter Sampling and Applications
  1. Usage of Copulas

Дополнительно

  • Метрические вложения
  • Теория статистического обучения

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. привести теоретические примеры и основные свойства
  3. представить математические методы,
  4. дать теоретические постановки задач,
  5. 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 {\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