Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 774, осень 2012

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Задачи)
Строка 51: Строка 51:
|-
|-
| Выбор оптимальных инвариантных преобразований в задачах тематического моделирования
| Выбор оптимальных инвариантных преобразований в задачах тематического моделирования
-
|
+
| Кононенко
-
|
+
| Животовский
-
|
+
| [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Kononenko2012Invariants Kononenko2012Invariants]
|
|
|
|

Версия 07:09, 12 сентября 2012


Основная задача этой работы — предложить алгоритм выбора моделей, исследовать и проиллюстрировать его свойства, проанализировать его преимущества недостатки и особенности в сравнении с известными алгоритмами машинного обучения. Практика состоит из задачи, разбитой на три подзадачи-эссе с отчетом и включает постановку задачи, описание алгоритма и вычислительный эксперимент-иллюстрацию. Перед выполнением заданий рекомендуются прочитать статью «Численные методы обучения по прецедентам», а также все, что там по ссылкам, включая статью «Автоматизация научных исследований».

Результат практики: научная статья по выбранной теме, поданная для публикации

  • в JMLDA или
  • в английский журнал из списка Web Of Knowledge.

Идея практики: любой проект (вычислительный эксперимент) может быть разбит на части, каждая из которых занимает ровно один день и может быть сделана при этом от начала и до конца.

Задачи

Название задачи Работу выполняет Рецензент Ссылка SF Дата доклада Комментарии
Шаблон отчета о вычислительном эксперименте Welcome! Welcome! Surname2011Title ~5.9 - обсуждаем расписание докладов AIPVDTCHSJR[R]
Оценка параметров совместных распределений и использование копул при построении интегральных индикаторов
Оценка ковариационных матриц параметров и зависимых переменных путем максимизации правдоподобия модели
Оценка максимума правдоподобия модели и его математического ожидания методом сэмплирования
Выбор оптимальных инвариантных преобразований в задачах тематического моделирования Кононенко Животовский Kononenko2012Invariants
Совместный выбор объектов и признаков в задачах прогнозирования временных рядов
Кластеризация смесей распределений в задачах тематического моделирования
Порождающий и разделяющий подходы в задачах классификации с малыми выборками Author Reviewer SF Date Progress

Темы для 35-минутных докладов (~20 слайдов)

  1. Оценка параметров гетерогенных совместных распределений
  2. Копулы и их полезные свойства, вероятностные методы построения интегральных индикаторов
  3. Методы сэмплирования и вычисление интегралов функций распределения
  4. Методы оценки сложности моделей регрессии и классификации
  5. Порождающий и разделяющий подходы с примерами применения и вероятностными предположениями, и c методами оценки параметров распределений
  6. Гауссовские процессы в задачах регрессии и классификации, методы оценки параметров ковариационной функции
  7. Иерархические модели, оценка из параметров и примеры их использования
  8. Новинки в машинном обучении: structure learning, deep learning и другие

Расписание

Дата Что делаем Результат для обсуждения Код
Сентябрь 5 Выбрана задача, рецензент Запись в ML
12 Выбрана задача, найдены базовые публикации. Аннотация, 600 знаков. Annotation
19 Собрана литература, она в bib; найдены данные. Введение, примерно одна страница. Introduction
26 Поставлена задача, собраны все материалы по работе. Найдены публикации. Постановка задачи, полстраницы. Problem
Октябрь 3 Поставлен вычислительный эксперимент, получены первые результаты. Визуализация данных. Visualizing
10 Описание алгоритма. Алгоритмическая часть (третий раздел). Document
17 Теоретическая часть. Второй раздел. Theory
24 Завершение вычислительного эксперимента. Описание эксперимента и анализ ошибок. Comp
31 Контрольная точка - показ статьи в целом. Статья. cHeck
Ноябрь 7 Доработка статьи; доклад, первая группа. Доклад. Show
14 Доклад, вторая группа. Подача статьи в журнал. Journal
21 Доклад, третья группа. Рецензия написана, [r]-рецензенту Review, [r]
28 Последний день для претендентов на оценки 10,9,8. Экзамен (score)

Оформление

Личные инструменты