Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 174, осень 2016

Материал из MachineLearning.

Версия 19:12, 21 сентября 2016 (править) Strijov (Обсуждение | вклад) ← К предыдущему изменению		Версия 19:31, 28 сентября 2016 (править) (отменить) Strijov (Обсуждение | вклад) (→Лекции) К следующему изменению →
Строка 6:		Строка 6:
	== Лекции ==		== Лекции ==
		+	Источник: научные статьи последних лет, желательно 2015-2016.
		+	Продолжительность: 45 минут.
		+	Число слайдов: 20-30.
		+	Цели:
		+	# Раскрыть проблему постановки и рещения 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,
		+	* 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,
		+	* привести приметы прикладных задач.
		+	Оценки: max 7 за лекцию + max 3 за тесты.
		+	Тест: готовит лектор, 5 вопросов со ответом. Результат теста: N из 5 отображается в 3/6.
		+
		+	Темы на выбор (указать в таблице):
		+	* Тема вашей дипломной работы
		+	* Reinforcement learning
		+	* Active learning
		+	* Bayesian programming
		+	* 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
	{|class="wikitable"		{|class="wikitable"
Строка 80:		Строка 114:
	|-		|-
	|}		|}
-
-	'''Требования:'''
-	Продолжительность: 45 минут.
-	Число слайдов: 20-30.
-	# 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,
-	# 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,
-	# привести приметы прикладных задач.
-	Оценки: max 7 за лекцию + max 3 за тесты.
-	Тест: готовит лектор, 5 вопросов со ответом. Результат теста: N из 5 отображается в 3/6.
	== Практикум ==		== Практикум ==
	* 19 октября - 2 ноября		* 19 октября - 2 ноября

---

Версия 19:31, 28 сентября 2016

Основная статья: Численные методы обучения по прецедентам (практика, В.В. Стрижов)

Лекции на актуальные темы машинного обучения

Лекции

Источник: научные статьи последних лет, желательно 2015-2016. Продолжительность: 45 минут. Число слайдов: 20-30. Цели:

1. Раскрыть проблему постановки и рещения 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:

• дать основные определения этой области,
• 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,
• привести приметы прикладных задач.

Оценки: max 7 за лекцию + max 3 за тесты. Тест: готовит лектор, 5 вопросов со ответом. Результат теста: N из 5 отображается в 3/6.

Темы на выбор (указать в таблице):

• Тема вашей дипломной работы
• Reinforcement learning
• Active learning
• Bayesian programming
• 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

Автор	Дата	Тема	Ссылка	Результат	Сумма
Сологуб (пример)	4 сентября	Алгоритмы индуктивного порождения и трансформации моделей	Диссертация, pdf, Презентация, pdf	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
Гринчук Алексей	5 октября
Ефимова Ирина	5 октября
Карасиков Михаил	19 октября
Кулунчаков Андрей	19 октября
Матлин Даниил	26 октября
Попова Мария	26 октября
Хайруллин Ринат	2 ноября
Швец Михаил	2 ноября

Практикум

• 19 октября - 2 ноября