Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

{{TOCright}} Данный [[:Категория:Виртуальные семинары|виртуальный семинар]] предназначен для обсуждения методических вопросов, связанных с преподаванием [[Машинное обучение|машинного обучения]] и смежных дисциплин в российских вузах. На данную страницу выносятся основные положения, результаты дискуссии и прочая хорошо структурированная информация. Споры, как обычно, ведутся в [[Обсуждение:Преподавание машинного обучения|обсуждении]]. Поскольку это семинар, на основной странице также можно высказывать личные мнения; желательно сопровождать их подписью участника. == Машинное обучение — математический или инженерный курс? == Согласно международным рекомендациям по преподаванию информатики в университетах ACM/IEEE Computing Curricula 2001 [[информатика]] (computer science) подразделяется на 14 областей, одна из которых — [[интеллектуальные системы]] (intelligent systems). Эта область, в свою очередь, имеет 10 разделов, один из них — '''машинное обучение и нейронные сети''' (machine learning and neural networks). Для непрофильных специальностей этот курс считается факультативным. Типовые программы этого курса рассчитаны на расширение кругозора будущих IT-специалистов и, мягко говоря, поверхностны. Они ни в коей мере не рассчитаны на будущего научного работника или разработчика новых методов машинного обучения. Они лишь дают представление о том, какие задачи возникают на практике, какими методами их можно решать, в чём их основные принципы, какие существуют инструментальные средства, иногда — какие подводные камни ждут будущего BI-аналитика. Далеко не все методы освещаются. Теория вообще не рассматривается. '''Вопрос:''' стоит ли ориентироваться на этот международный стандарт? Стандарт оставляет большую свободу творчества преподавателю. Формально оставаясь в рамках стандарта, можно сделать и полную профанацию, и удачный курс для инженеров, показывающий нетривиальные примеры реальных задач и процесс их решения с помощью доступного инструментария. Заодно можно зацепить действительно глубокие проблемы, с одной стороны возникающие из нужд практики, с другой требующие хорошей математики. Однако сделать такой курс на порядок сложнее, чем скомпилировать материал нескольких книжек. '''Математический курс''' нужен узкому кругу специалистов, которые предположительно будут заниматься разработкой новых методов и решением принципиально новых задач. Потребность в таких специалистах — около 5%. (''[[Участник:Vokov|К.В.Воронцов]] 22:33, 10 июля 2008 (MSD)'') '''Инженерный курс''' нужен широкому кругу специалистов, которые предположительно будут заниматься применением стандартных методов для решения более-менее типичных задач. Он также нужен будущим IT-руководителям, которые обязаны не только знать о возможностях современных методов анализа данных, но и уметь доносить своё понимание до лиц, принимающих решения. Потребность в таких специалистах — около 95%. Кстати, без этих 95% инженеров, бизнес-аналитиков и IT-менеджеров те 5% математиков вообще не имеют шансов найти работу по специальности. (''[[Участник:Vokov|К.В.Воронцов]] 22:33, 10 июля 2008 (MSD)'') Курсов машинного обучения «для инженеров» в мире очень много. Математических курсов сравнительно мало, и они очень разные; каждый несёт на себе отпечаток конкретной школы. Обычно это спецкурсы на кафедрах соотвествующего профиля. Попытки найти «золотую середину» предпринимаются в тех университетах, где даётся хорошее базовое математическое образование. Пример — курс [http://courses.csail.mit.edu/6.867/lectures.html Machine Learning] в MIT, разработанный [http://people.csail.mit.edu/tommi Tommi Jaakkola]. == Методика преподавания == Предлагается обсуждать удачный и неудачный опыт. * Насколько повышается эффективность преподавания при использовании слайдов? * Надо ли использовать наряду со слайдами раздаточные материалы? Когда материал запоминается лучше и дольше: когда студент пишет конспект лекции или когда студент видит хорошо продуманные (в том числе графические) иллюстрации на слайдах? * Как построить практикум? Делать упор на разработку или на применение методов? На каком средстве: [[Matlab]] или [[C++]] или [[R]] или [[WEKA]] или [[RapidMiner]]? Делать проекты индивидуальные или парные? * Какие задачи и вопросы давать для контроля знаний? == Некоторые удачные методические приёмы == Предлагается пополнять коллекцию. * В начале курса посвятить одну лекцию описанию примеров (от 3 до 10) разнообразных прикладных задач «из жизни». (''[[Участник:Vokov|К.В.Воронцов]] 22:33, 10 июля 2008 (MSD)'') * В конце курса (например, на консультации перед экзаменом) нарисовать «карту курса», где показать взаимосвязи и сходство различных методов. (''[[Участник:Vokov|К.В.Воронцов]] 22:33, 10 июля 2008 (MSD)'') * Рассказав метод, в явном виде перечислить его достоинства и недостатки; затем рассказать о путях устранения недостатков. (''[[Участник:Vokov|К.В.Воронцов]] 22:33, 10 июля 2008 (MSD)'') == Математический или инженерный курс (организация практикума) == Думаю, что каждая [[Интеллектуальные системы (кафедра МФТИ)|кафедра]] решает этот вопрос исходя из уровня подготовки собственных студентов. Если у студентов хорошая математическая подготовка, зачем нужно читать им инженерный курс, который покажется им очень простым и доступным для '''самостоятельного''' изучения? Поэтому проблема, скорее всего, формулируется так: "Как организовать эффективную самостоятельную работу студентов?" Как она организована сейчас: * Студентам назначаются [http://strijov.com/teaching/index.php задания] из расчета 32-36 часов самостоятельной работы в семестр. * Предполагается, что они программируют на С/++/# и им достаточно одной лекции ([[Matlab|с иллюстрацией основных приемов]]), чтобы разобраться в программировании Matlab ([http://strijov.ru/blog/2008-01-31-17 SciLab, Octave]). NB: Mathematica и Gap потребуют две лекции, одна из них -- введение в функциональное программирование и компьютерную алгебру. * Выставляются рекомендации по организации выполнения работы и проведения вычислительных экспериментов (в частности, пожелания пользоваться обозначениями, [[:Категория:Регрессионный анализ|введенными в лекциях]]). NB: план лекций, вопросы на экзамене, задачи для самостоятельного решения [http://strijov.com/teaching/article3.php доступны]. * Доступны примеры программ и вычислительных экспериментов, это мотивирует к написанию красивого кода (сейчас идет подготовка к сезону 2008-осень, но все равно можно посмотреть, [http://strijov.ru/blog/2008-05-05-41 инструкции здесь]). * Результаты самостоятельной работы и докумениация к ним [http://strijov.ru/blog/2008-07-11-51 складывается на ftp-сервер] до начала экзаменов так, чтобы оставалась возможность написать рецензию и указать, что надо доработать. NB: вариант с flash memory stick очень утомляет, т.к. по опыту, 4 из 5 студентов несут вирусы, на убиение которых уходит время. Есть три варианта выполнения студентами "инженерного курса". # Он не делается вообще (к счастью, такого еще не случалось). # Студенты работают первые 4 недели, потом не работают, потом работают последние две недели. # Работа делается в последние две недели (при этом число фактически отработанных часов уменьшается). Основная проблема, которая не решена: * как организовать работу, чтобы кроме лекций, несколько часов '''каждую''' неделю было посвящено практике (которая, по моему мнению, и есть "инженерный курс" )? --[[Участник:Strijov|Strijov]] 16:38, 11 июля 2008 (MSD) == Терминология == Предлагается обсуждать список терминов, которые либо не понятно как переводить на русский, либо «де факто» они уже переведены разными авторами по-разному, и необходимо приходить к единству. Возможно, для этого обсуждения лучше завести отдельную страницу... * Business-intelligence — интеллектуальные бизнес-системы или бизнес-интеллект? * Data mining — [[интеллектуальный анализ данных]] * Optimal brain damage — ? * Optimal brain surgery — [[оптимальное прореживание нейронных сетей]] * Shatter coeffiсient — [[коэффициент разнообразия]] * Target function — [[целевая зависимость]] или [[восстанавливаемая зависимость]]? [[Целевая функция]] вызывает ненужные ассоциации с оптимизируемым функционалом. == Книги, которые можно выбрать за «скелет» курса == # {{П:Hastie 2001 The Elements of Statistical Learning}} == Дополнительная литература == # {{П:Загоруйко 1999 Прикладные методы анализа данных и знаний}} # {{П:Журавлёв 2006 Распознавание}} == Курсы == * [http://courses.csail.mit.edu/6.867/lectures.html Machine Learning (Fall 2007)] [http://people.csail.mit.edu/tommi Prof. Tommi Jaakkola], MIT. * [https://www.seas.upenn.edu/~cis520/schedule.html Machine Learning (Fall 2007)] Prof. Lyle Ungar, University of Pennsylvania - School of Engineering & Applied Science. * [[Машинное обучение (курс лекций, К.В.Воронцов)]] * [[Машинное обучение (курс лекций, Н.Ю.Золотых)]] * [[Прикладная регрессия и оптимизация (курс лекций, B.В.Стрижов)]] {{stub}} [[Категория:Виртуальные семинары]] [[Категория:Учебные курсы]]

• Шаблон:Nobr
• Шаблон:TOCright
• Шаблон:ВсеАвторы
• Шаблон:Книга
• Шаблон:Монография
• Шаблон:Переводы
• Шаблон:Подробнее
• Публикация:Hastie 2001 The Elements of Statistical Learning
• Публикация:Hastie 2009 The Elements of Statistical Learning
• Публикация:Журавлёв 2006 Распознавание
• Публикация:Загоруйко 1999 Прикладные методы анализа данных и знаний

Возврат к странице Преподавание машинного обучения.