Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 874, осень 2013

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Эссе)
(Эссе)
Строка 93: Строка 93:
|Бурмистров
|Бурмистров
|1[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay01.pdf]
|1[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay01.pdf]
-
|2
+
|2[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay02.pdf]
-
|3
+
|3[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay03.pdf]
-
|4
+
|4[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay04.pdf]
-
|5
+
|5[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay05.pdf]
-
|6
+
|6[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay06.pdf]
-
|7
+
|7[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay07.pdf]
-
|8
+
|8[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay08.pdf]
-
|9
+
|9[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay09.pdf]
-
|
+
|[http://svn.code.sf.net/p/mlalgorithms/code/Group874/Burmistrov2013Essay/Burmistrov2013Essay10.pdf]
|-
|-
|Токмакова
|Токмакова

Версия 07:45, 19 ноября 2013


Эссе

Автор 1 2 3 4 5 6 7 8 9 0
Рудой 1 2 3 4 5 6 7 8 8
Кокшаров 1 1 2 2 3 4 5 6 7
Романенко 1 2 3 4 5 6 7 ? 9или8
Мотренко 1 2 3 4 5 6 7 8 8
Будников 1 2 3 4 5 6 7 8 8
Сандуляну 1 2 3 4 5 6 7 8 >
Бурмистров 1[1] 2[2] 3[3] 4[4] 5[5] 6[6] 7[7] 8[8] 9[9] [10]
Токмакова 1 2 3 4 5 6 7 8 8
Ямщиков 1 1 2 2 3 4 5 6 7

Список тем

  1. Аппроксимация множества точек замкнутыми кривыми
  2. Метод группового учета аргументов в новой 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. 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. 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?

Лекции

Тема Автор Ссылка Дата Результат
Data Analysis Problem Statements in the Category Theory Language Рудой ? 24 сентября OK(5)+1/4 * [(0/GR)+(8/10)+(8/10AM)+(8/10AR)+(9/10)+(4.5/5)+(10/10)+(4.5/5)+(9/10)]
Machine Learning Problem Statements in Plate Notations Кокшаров [11] 24 сентября OK(5)+1/4 * [(8/GR)+(0/MK)+(0/AM)+(0/AR)+(8/10)+(4.5/5)+(9/10)+(4/5)+(10/10)]
Deep Learning / Methods for Big Data Романенко [12] 1 октября OK(5)+1/4 * [(9/10GR)+(9/10)+(7/10)+(0/AR)+(9/10)+(4/5)+(10/10)+(4.5/5)+(9/10)]
Usage of Copulas Мотренко [13] 1 октября OK(5)+1/4 * [(10/10GR)+(9/10)+(0/AM)+(8/10)+(6/10)+(5/5)+(9/10)+(4.5/5)+(10/10)]
Problems of Voting, Expert Systems and Preference Learning Будников [14] 8 октября OK(5)+1/4 * [(8/10)+(7/10)+(8/10)+(7/10)+(8/10)+(0/YB)+(10/10)+(4.5/5)+(7/10)]
Topic Modeling: PLSA, LDA et al. Сандуляну [15] 8 октября OK(5)+1/4 * [(7/10)+(6/10)+(7/10)+(8/10)+(0/LS)+(3.5/5)+(9/10)+(4.5/5)+(10/10)]
MDL Principle Бурмистров [16] 15 октября OK(5)+1/4 * [(0/10)+(0/10)+(8/10)+(7/10)+(10/10)+(4/5)+(0/MB)+(4/5)+(10/10)]
Data and Parameter Sampling and Applications Токмакова [17] 15 октября OK(5)+1/4 * [(9/10)+(6/10)+(8/10)+(6/10)+(9/10)+(5/5)+(10/10)+(0/AT)+(10/10)]
Learning of games / Многорукие бандиты Ямщиков [18] 22 октября OK(5) +1/4 * [(8/10)+(10/10)+(0/AM)+(0/AR)+(9/10)+(5/5)+(10/10)+(5/5)+(0/IY)]
Mixture of Experts (and Models) Адуенко 29 октября
Preference Learning and Ranking Alternatives 5 ноября
Feature Generation in Image Processing 2 ноября

Дополнительно

  • Метрические вложения
  • Теория статистического обучения

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. привести теоретические примеры и основные свойства
  3. представить математические методы,
  4. дать теоретические постановки задач,
  5. 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 (отображается в 1/4). 17 декабря – отчеты о научной работе.

Практика

В.В. Стрижов: практика

Внешняя ссылка на технологическую карту проекта (редактирование возможно по доступу).

Домашнее задание 1.

  1. Постановка задачи и математическое описание алгоритма в файле Surname2013Title.tex и pdf (подумать над синтетическими данными).
  2. Описание интерфейса в общем файле Systemdocs:
    1. Литература: каждый добавляет свои ссылки на статьи с основным алгоритмом.
    2. Свой блок в общем файле IDEF0 (вSystemdocs пока не вставлять).
    3. Егор: Общее описание алгоритма.

Домашнее задание 2.

  1. Написать код, работающий на синтетических данных, доработать постановку задачи
  2. Технологии:
    1. Егор: дописать IDEF, описание проекта, интерфейс
    2. Илья: прочитать доклад о юнит-тестировании
    3. Александра: проверить тестовые данные и согласовать их постановкой задач
    4. Любовь: проверить постановки задач и описания алгоритмов (те, которые будут готовы)

Технологам нужно заполнить проверенные работы в таблице.


Результаты

Автор S1 S2 S3 S4 Технологическая роль Системный подход Доклад
Рудой
Кокшаров
Романенко
Мотренко
Будников
Сандуляну
Бурмистров
Токмакова
Ямщиков

А.А. Ивахненко: тест/экзамен

  • Токмакова -0,5 (3)
  • Бурмистров -2,5 (2)
  • Будников -1 (3)
  • Романенко -1,5 (2)
  • Ямщиков -0,5 (3)
  • Мотренко -3 (2)
  • Рудой -4,5 (1)
  • Кокшаров -6,5 (0,5)
  • Сандуляну -1,5 (2)

Минус баллы - это сколько было допущено ошибок. Дробные баллы за ошибки в неоднозначных вопросах или за достойные аргументы в поддержку своего ответа. Критерии (-1,5; 0] = 3, (-4; -1,5] = 2, (-inf; -4] = 1 с уменьшением по мере приближения к -inf.

Личные инструменты