Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 974, осень 2014

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(А.А. Ивахненко, Практика и методология промышленного анализа данных)
(В.В. Стрижов, Регрессионный анализ)
Строка 59: Строка 59:
|3[https://svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/Kuznetsova2014Essay3.pdf?format=raw]
|3[https://svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/Kuznetsova2014Essay3.pdf?format=raw]
|4[http://nbviewer.ipython.org/urls/svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/Mixture%20Model.ipynb.json]
|4[http://nbviewer.ipython.org/urls/svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/Mixture%20Model.ipynb.json]
-
|
+
|5[https://svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/Kuznetsova2014Essay5.pdf?format=raw]
|6[https://svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/Kuznetsova2014Essay6.pdf?format=raw]
|6[https://svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/Kuznetsova2014Essay6.pdf?format=raw]
|7[http://nbviewer.ipython.org/urls/svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/ClusteringTextDocuments.ipynb-2.json]
|7[http://nbviewer.ipython.org/urls/svn.code.sf.net/p/mlalgorithms/code/Group974/Kuznetsova2014Essay/ClusteringTextDocuments.ipynb-2.json]

Версия 00:01, 6 ноября 2014


В.В. Стрижов, Регрессионный анализ

Автор 1 2 3 4 5 6 7 8 9 10, результат
Рудой(пример) 1[1] 2[2] 3[3] 4[4] 5[5] 6[6] 7[7] 8[8] 8 8
Бунаков 1[9] 2[10] 3[11] 4[12] 5[13] 7[14]
Кузьмин 1[15] 2[16] 3[17] 4[18] 5[19] 6[20] 7[21] 8[22] 9[23]
Кузнецова 1[24] 2[25] 3[26] 4[27] 5[28] 6[29] 7[30] 8[31]
Стенин 1[32] 2[33] 3[34] 4[35] 5[36] 6[37] 8[38] 9[39]
Стенина 1[40] 2[41] 3[42] 4[43] 5[44] 6[45] 7[46] 8[47] 9[48]
Целых 1[49] 2[50] 3[51] 4[52] 5[53] 6[54] 7[55]
  • Эссе помещаются в папку Surname2014Essay; каждый документ называется Surname2014EssayN, N = 1,…,10.

Список тем

  1. Нарисовать диаграмму, описывающую постановку задачи или ее центральную идею, и написать поясняющий текст.
  2. Описать в терминах Graph Rewriting один из алгоритмов порождения моделей:
    • полный перебор
    • построение сетей глубокого обучения:  f = G(h_1\dots(h_k(x))), G — autoencoder, RBM, PCA
    • МГУА
    • нейросеть.

Литература:

  • Роман Сологуб. Алгоритмы индуктивного порождения и трансформации моделей. [56]
  • Ehrig H., Pfender M., Shneider H. J. Graph-grammars: An algebraic approah // Swithing and Automata Theory, 1973. SWAT '08. IEEE Conferene Reord of 14th Annual Symposium on. 1973. Pp. 167-180.
  • Fundamentals of Algebraic Graph Transformation / H. Ehrig, K. Ehrig, U. Prange, G. Taentzer. illustrated edition edition. Springer, Berlin, 2006.

Список тем прошлого года

  1. Аппроксимация множества точек замкнутыми кривыми
  2. Метод группового учета аргументов в краткой 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. Регрессионный анализ задачах математического моделирования. 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. Машинное обучение 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?

К.В. Рудаков, Интеллектуальные системы

Тема Автор Ссылка Дата Результат Сумма
Алгоритмы индуктивного порождения и трансформации моделей Сологуб Диссертация, pdf, Презентация, pdf 4 сентября 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
?? Адуенко ?? 11 сентября NIR(3) + OK(5) + 1/4 * [(2.5/5RS) + (0/5MS) + (0/5VC) + (0/5AK) + (0/5RK) + (0/5VB)] 8.125
От нейронных сетей к Deep Learning Бунаков Презентация, pdf 30 октября NIR(3) + OK(5) + 1/4 * [(2.5/5RS) + (5/5AA) + (5/5MS) + (5/5VC) + (3.5/5AK) + (5/5RK) + (4.5/5SS)] 9.525
Иерархическое тематическое моделирование вероятностный и детерминистский подход: тестирование моделей. Кузьмин Презентация, pdf 2 октября NIR(3) + OK(5) + 1/4 * [(0/5RS) + (0/5AA) + (0/5MS) + (0/5VC) + (0/5RK) + (0/5VB)] 8
Self-Modeling Regression Кузнецова 16 октября NIR(3) + OK(5) + 1/4 * [(2.5/5RS) + (4/5AA)+ (0/5MS) + (0/5VC) + (5/5AK) + (5/5VB)] 8.825
n-grams in topic modeling Стенин Презентация, pdf 23 октября NIR(3) + OK(5) + 1/4 * [(3.5/5RS) + (5/5AA) + (5/5MS) + (0/5VC) + (4.5/5AK) + (5/5RK) + (5/5VB)] 9.4
Иерархическое согласование прогнозов временных рядов Стенина Статья, pdf 18 сентября NIR(3) + OK(5) + 1/4 * [(4/5RS) + (5/5AA) + (5/5VC) + (4.5/5AK) + (5/5RK) + (5/5SS) + (5/5VB)] 9.675
Оценивание параметров и метод bootstrap Целых Презентация, pdf 25 сентября NIR(3) + OK(5) + 1/4 * [(3.5/5RS) + (5/5AA) + (5/5MS) + (5/5AK) + (5/5RK) + (5/5SS) + (5/5VB)] 9.675
Preference Learning Кузнецов 6 ноября

Список тем

  1. Multivariate Density Estimation
  2. Data Analysis Problem Statements in the Category Theory Language
  3. Machine Learning Problem Statements in Plate Notations
  4. Deep Learning: Constucting Network Superpositions (for Big Data)
  5. Learning of Games: Applications for Multiarm Bandits
  6. Problems of Voting, Expert Systems and Preference Learning
  7. Topic Modeling: PLSA, LDA et al.
  8. Data and Parameter Sampling and Applications
  1. Usage of Copulas

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.

А.А. Ивахненко, Практика и методология промышленного анализа данных

Автор 1 2 3 4 5 6 7 8 9 10, результат
Бунаков [57], Демо [58], k-means [59], ГА Ranks Clustering
Кузьмин [60]Демо [61]SVM [62]Models Models Ranks Cov. Matrix Clustering
Кузнецова [63][64][65] [66][67] [68] [69]
Стенин [70] [], Linear Fit ModelGeneration ObjectTomodel Ranks CovMatrix
Стенина [71], Демо [72], Random Forest [73], Graph Rewriting [74], Multilevel models Ranks Cov. matrix Clustering
Целых [75], Демо [76], Naive Bayes [77], Graph Rewriting [78], Multilevel models Ranks Cov. matrix Clustering
  • Файлы помещаются в папку Surname2014Essay; каждый файл называется Surname2014NbN, N = 1,…,10. Опубликовать ссылки на web-интерфейсы.

Задание 1.

Завести учетную запись на сайте [79]. Создать учебный пример для легкого изучения языка Mathematica по образу примера Matlab.

Задание 2.

Создать графический пользовательский интерфейс для решения классических задач распознавания, классификации и кластеризации. Ссылку на веб-интерфейс посатвить рядом со ссылкой на файл Nb. См. пример.

Личные инструменты