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)
(→В.В. Стрижов, Регрессионный анализ (Название будет изменено))
Строка 3: Строка 3:
__NOTOC__
__NOTOC__
-
==В.В. Стрижов, Регрессионный анализ (Название будет изменено) ==
+
==В.В. Стрижов, Дополнительные главы машинного обучения ==
{|class="wikitable"
{|class="wikitable"
|-
|-
Строка 20: Строка 20:
|-
|-
|Рудой (пример)
|Рудой (пример)
-
| 1
+
| 1[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group874/Rudoy2013Essay/Rudoy2013Essay01.pdf?format=raw]
| 2
| 2
| 3
| 3
Строка 57: Строка 57:
|
|
|
|
-
|-
+
 
-
|Гринчук Олег
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|-
+
-
|Катруца Александр
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|-
+
-
|Митяшов Андрей
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|-
+
-
|Рыскина Мария
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
-
|
+
|-
|-
|Старожилец Всеволод
|Старожилец Всеволод
Строка 163: Строка 112:
|-
|-
|}
|}
-
 
-
Бахтеев, Вдовина, Старожилец, Трофимов, Хайруллин, Гринчук, Митяшов, Рыскина, Катруца, Сухарева
 
* Эссе помещаются в папку /Group074/Surname2014Essay/; каждый документ называется Surname2014EssayN, N = 1,…,10.
* Эссе помещаются в папку /Group074/Surname2014Essay/; каждый документ называется Surname2014EssayN, N = 1,…,10.
-
'''Список тем (будет изменен) '''
+
'''Список тем'''
-
# Машинное обучение квантовых компьютеров
+
# Роль функции ошибки в задачах выбора признаков
-
# Обзор практических задач на тему Brain-Computer Interface
+
# Построение интегральных индикаторов для описаный в ранговых шкалах
-
# 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

Версия 16:26, 20 сентября 2015

Основная статья: Численные методы обучения по прецедентам (практика, В.В. Стрижов)
Основная статья: Прикладной регрессионный анализ (курс лекций, B.В. Стрижов)
(Название будет изменено)


В.В. Стрижов, Дополнительные главы машинного обучения

Автор 1 2 3 4 5 6 7 8 9 10 {\Sigma}
Рудой (пример) 1[1] 2 3 4 5 6 7 8 9 10 {\Sigma}
Бахтеев Олег
Вдовина Евгения
Старожилец Всеволод
Трофимов Михаил
Хайруллин Ренат
Сухарева Анжелика
  • Эссе помещаются в папку /Group074/Surname2014Essay/; каждый документ называется Surname2014EssayN, N = 1,…,10.

Список тем

  1. Роль функции ошибки в задачах выбора признаков
  2. Построение интегральных индикаторов для описаный в ранговых шкалах

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.

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%A7%D0%B8%D1%81%D0%BB%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%BF%D0%BE_%D0%BF%D1%80%D0%B5%D1%86%D0%B5%D0%B4%D0%B5%D0%BD%D1%82%D0%B0%D0%BC_%28%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0%2C_%D0%92.%D0%92._%D0%A1%D1%82%D1%80%D0%B8%D0%B6%D0%BE%D0%B2%29/%D0%93%D1%80%D1%83%D0%BF%D0%BF%D0%B0_074%2C_%D0%BE%D1%81%D0%B5%D0%BD%D1%8C_2015»
Личные инструменты