Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 874, осень 2013
Материал из MachineLearning.
(Различия между версиями)
(→Лекции) |
|||
Строка 10: | Строка 10: | ||
! Ссылка | ! Ссылка | ||
! Дата | ! Дата | ||
+ | ! Результат | ||
|- | |- | ||
|Data Analysis Problem Statements in the Category Theory Language | |Data Analysis Problem Statements in the Category Theory Language | ||
Строка 15: | Строка 16: | ||
|[http://svn.code.sf.net/p/mlalgorithms/code/Pushnyakov2013SpectrumImage/doc/Pushnyakov2013SpectrumImage.pdf] | |[http://svn.code.sf.net/p/mlalgorithms/code/Pushnyakov2013SpectrumImage/doc/Pushnyakov2013SpectrumImage.pdf] | ||
| 24 сентября | | 24 сентября | ||
+ | |OK | ||
|- | |- | ||
|Machine Learning Problem Statements in Plate Notations | |Machine Learning Problem Statements in Plate Notations | ||
Строка 20: | Строка 22: | ||
|[http://svn.code.sf.net/p/mlalgorithms/code/Katrutsa2013RhoNets/Spring/doc/Katrutsa2013RhoNets.pdf] | |[http://svn.code.sf.net/p/mlalgorithms/code/Katrutsa2013RhoNets/Spring/doc/Katrutsa2013RhoNets.pdf] | ||
|24 сентября | |24 сентября | ||
+ | |OK | ||
|- | |- | ||
|Deep Learning / Methods for Big Data | |Deep Learning / Methods for Big Data | ||
Строка 25: | Строка 28: | ||
|[http://svn.code.sf.net/p/mlalgorithms/code/Kashcheeva2013InverseVAR/doc/Kashcheeva2013InverseVar.pdf] | |[http://svn.code.sf.net/p/mlalgorithms/code/Kashcheeva2013InverseVAR/doc/Kashcheeva2013InverseVar.pdf] | ||
|1 октября | |1 октября | ||
+ | |?,?, | ||
|- | |- | ||
|Usage of Copulas | |Usage of Copulas | ||
Строка 30: | Строка 34: | ||
|[http://svn.code.sf.net/p/mlalgorithms/code/Ryskina2013Txt2Bib/doc/Ryskina2013Txt2Bib.pdf] | |[http://svn.code.sf.net/p/mlalgorithms/code/Ryskina2013Txt2Bib/doc/Ryskina2013Txt2Bib.pdf] | ||
|1 октября | |1 октября | ||
+ | |?,?, | ||
|- | |- | ||
|Problems of Voting, Expert Systems and Preference Learning | |Problems of Voting, Expert Systems and Preference Learning | ||
Строка 35: | Строка 40: | ||
|[http://svn.code.sf.net/p/mlalgorithms/code/Chinaev2013PupilBoundary/doc/Chinaev2013PupilBoundary.pdf] | |[http://svn.code.sf.net/p/mlalgorithms/code/Chinaev2013PupilBoundary/doc/Chinaev2013PupilBoundary.pdf] | ||
|8 октября | |8 октября | ||
+ | |?,?, | ||
|- | |- | ||
|Topic Modeling: PLSA, LDA et al. | |Topic Modeling: PLSA, LDA et al. | ||
Строка 40: | Строка 46: | ||
|[http://svn.code.sf.net/p/mlalgorithms/code/Grinchuk2013InverseVAR/doc/Grinchuk2013InverseVAR.pdf] | |[http://svn.code.sf.net/p/mlalgorithms/code/Grinchuk2013InverseVAR/doc/Grinchuk2013InverseVAR.pdf] | ||
|8 октября | |8 октября | ||
+ | |?,?, | ||
|- | |- | ||
|MDL Principle | |MDL Principle | ||
Строка 45: | Строка 52: | ||
|[http://svn.code.sf.net/p/mlalgorithms/code/Perekrestenko2013DeepLearning/doc/Perekrestenko2013DeepLearning.pdf] | |[http://svn.code.sf.net/p/mlalgorithms/code/Perekrestenko2013DeepLearning/doc/Perekrestenko2013DeepLearning.pdf] | ||
|15 октября | |15 октября | ||
+ | |?,?, | ||
|- | |- | ||
|Data and Parameter Sampling and Applications | |Data and Parameter Sampling and Applications | ||
Строка 50: | Строка 58: | ||
| | | | ||
|15 октября | |15 октября | ||
+ | |?,?, | ||
|- | |- | ||
|Gaussian Processes and Applications for Machine Learning | |Gaussian Processes and Applications for Machine Learning | ||
Строка 55: | Строка 64: | ||
|[http://svn.code.sf.net/p/mlalgorithms/code/Yashkov2013FeatureSelection/doc/Yashkov2013FeatureSelection.pdf] | |[http://svn.code.sf.net/p/mlalgorithms/code/Yashkov2013FeatureSelection/doc/Yashkov2013FeatureSelection.pdf] | ||
|22 октября | |22 октября | ||
+ | |?,?, | ||
|- | |- | ||
|Role of the Error Function in the Model Selection Problems | |Role of the Error Function in the Model Selection Problems | ||
Строка 60: | Строка 70: | ||
|[http://svn.code.sf.net/p/mlalgorithms/code/Yashkov2013FeatureSelection/doc/Yashkov2013FeatureSelection.pdf] | |[http://svn.code.sf.net/p/mlalgorithms/code/Yashkov2013FeatureSelection/doc/Yashkov2013FeatureSelection.pdf] | ||
|22 октября | |22 октября | ||
+ | |?,?, | ||
|} | |} | ||
Строка 68: | Строка 79: | ||
* Метрические вложения | * Метрические вложения | ||
* Теория статистического обучения | * Теория статистического обучения | ||
+ | |||
+ | '''Требования:''' | ||
+ | Продолжительность: 1 академический час, 45 минут. | ||
+ | Число слайдов: 20-30 (по вкусу). | ||
+ | # 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 | ||
+ | # привести теоретические примеры и основные свойства | ||
+ | # представить математические методы, | ||
+ | # дать теоретические постановки задач, | ||
+ | # 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 для каждого кроме лектора. | ||
+ | 17 декабря – отчеты о научной работе. | ||
+ | |||
[[Категория:Учебные курсы]] | [[Категория:Учебные курсы]] |
Версия 15:44, 24 сентября 2013
Лекции
Тема | Автор | Ссылка | Дата | Результат |
---|---|---|---|---|
Data Analysis Problem Statements in the Category Theory Language | Рудой | [1] | 24 сентября | OK |
Machine Learning Problem Statements in Plate Notations | Кокшаров | [2] | 24 сентября | OK |
Deep Learning / Methods for Big Data | Романенко | [3] | 1 октября | ?,?, |
Usage of Copulas | Мотренко | [4] | 1 октября | ?,?, |
Problems of Voting, Expert Systems and Preference Learning | Будников | [5] | 8 октября | ?,?, |
Topic Modeling: PLSA, LDA et al. | Сандуляну | [6] | 8 октября | ?,?, |
MDL Principle | Бурмистров | [7] | 15 октября | ?,?, |
Data and Parameter Sampling and Applications | Токмакова | 15 октября | ?,?, | |
Gaussian Processes and Applications for Machine Learning | [8] | 22 октября | ?,?, | |
Role of the Error Function in the Model Selection Problems | [9] | 22 октября | ?,?, |
Дополнительно
- Mixture of Experts
- Feature generation for Image Analysis
- Learning of games / Многорукие бандиты
- Метрические вложения
- Теория статистического обучения
Требования: Продолжительность: 1 академический час, 45 минут. Число слайдов: 20-30 (по вкусу).
- 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
- привести теоретические примеры и основные свойства
- представить математические методы,
- дать теоретические постановки задач,
- 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 для каждого кроме лектора. 17 декабря – отчеты о научной работе.