Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 274, весна 2016

Материал из MachineLearning.

Перейти к: навигация, поиск

Построение моделей в машинном обучении



Эссе

Автор 1 2 3 4 5 6 7 8 L E Оценка
Бочкарев Артем 1 2 3 4 5 6 7 8
Гончаров Алексей 1 2 3 4 5 6 7 8
Двинских Дарина 1 2 3 4 5 6 7 8
Жариков Илья 1 2 3 4 5 6 7 8
Задаянчук Андрей 1 2 3 4 5 6 7 8
Златов Александр 1 2 3 4 5 6 7 8
Исаченко Роман 1 2 3 4 5 6 7 8
Нейчев Радослав 1 2 3 4 5 6 7 8
Подкопаев Александр 1 2 3 4 5 6 7 8
Решетова Дарья 1 2 3 4 5 6 7 8
Смирнов Евгений 1 2 3 4 5 6 7 8
Черных Владимир 1 2 3 4 5 6 7 8
Шишковец Светлана 1 2 3 4 5 6 7 8
Чинаев Николай 1 2 3 4 5 6 7 8

Эссе хранятся в папке Group274/Surname2016Essays/. Ссылка на эссе делается по шаблону

 [https://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group274/Surname2016Essays/Surname2016Essay1.pdf?format=raw 1] 

Темы работ

  • Эссе 1. Байесовский вывод в выборе моделей slides, txt, paper
    1. Вывод формулы ошибки общего вида для "необычных" гипотез порождения данных (от мультиномиального распределения для задачи многоклассовой классификации до произвольных распределений из экспоненциального семейства, см. список GLM).
    2. Для некоторых функций ошибки указать из какой гипотезы порождения данных они получены и каким образом (например, функцию ошибки включена сумма различных видов штрафов на векторы параметров и невязок).
    3. Сделать эксперимент-пример вычисления правдоподобия моделей и визуальный анализ пространства параметров и гиперпараметров модели.
  • Эссе 2. Смеси моделей
  • Эссе 3. Оценка параметров

Сумма=13, где A-=0, A=1, A+=1.5, A++=2, тесты (30-50 вопросов 1 час)=3, доклад=2, 3 пропуска.

Личные инструменты