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 68: Строка 68:
|Стенин
|Стенин
|1[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group974/Stenin2014Essay/Stenin2014Essay1.pdf?format=raw]
|1[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group974/Stenin2014Essay/Stenin2014Essay1.pdf?format=raw]
-
|
+
|2[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group974/Stenin2014Essay/Stenin2014Essay2.pdf?format=raw]
|
|
|
|

Версия 18:48, 17 сентября 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]
Кузьмин 1[10] 2[11]
Кузнецова 1[12]
Стенин 1[13] 2[14]
Стенина 1[15] 2[16]
Целых 1[17]
  • 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. [18]
  • 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 OK(5)
Deep Learning: Constucting Network Superpositions (for Big Data) Бунаков 30 октября 1/4 * [(2.5/5RS) + (5/5AA)]
Иерархическое тематическое моделирование вероятностный и детерминистский подход: тестирование моделей. Кузьмин 2 октября
Self-Modeling Regression Кузнецова 16 октября 1/4 * [(2.5/5RS) + (4/5AA)]
Стенин 1/4 * [(3.5/5RS) + (5/5AA)]
Иерархическое согласование прогнозов временных рядов Стенина 18 сентября 1/4 * [(4/5RS) + (5/5AA)]
Data and Parameter Sampling and Applications Целых 25 сентября 1/4 * [(3.5/5RS) + (5/5AA)]

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 [19], Демо [20], k-means
Кузьмин
Кузнецова
Стенин [21] [], Linear Fit
Стенина [22], Демо [23], Random Forest
Целых
  • Файлы помещаются в папку Surname2014Essay; каждый файл называется Surname2014NbN, N = 1,…,10. Опубликовать ссылки на web-интерфейсы.

Задание 1.

Завести учетную запись на сайте [24]. 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