Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 074, осень 2015
Материал из MachineLearning.
(Различия между версиями)
(→К.В. Рудаков, Интеллектуальные системы) |
(→В.В. Стрижов, Регрессионный анализ (Название будет изменено)) |
||
Строка 3: | Строка 3: | ||
__NOTOC__ | __NOTOC__ | ||
- | ==В.В. Стрижов, | + | ==В.В. Стрижов, Дополнительные главы машинного обучения == |
{|class="wikitable" | {|class="wikitable" | ||
|- | |- | ||
Строка 20: | Строка 20: | ||
|- | |- | ||
|Рудой (пример) | |Рудой (пример) | ||
- | | 1 | + | | 1[http://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group874/Rudoy2013Essay/Rudoy2013Essay01.pdf?format=raw] |
| 2 | | 2 | ||
| 3 | | 3 | ||
Строка 57: | Строка 57: | ||
| | | | ||
| | | | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
|- | |- | ||
|Старожилец Всеволод | |Старожилец Всеволод | ||
Строка 163: | Строка 112: | ||
|- | |- | ||
|} | |} | ||
- | |||
- | |||
* Эссе помещаются в папку /Group074/Surname2014Essay/; каждый документ называется Surname2014EssayN, N = 1,…,10. | * Эссе помещаются в папку /Group074/Surname2014Essay/; каждый документ называется Surname2014EssayN, N = 1,…,10. | ||
- | '''Список тем | + | '''Список тем''' |
- | # | + | # Роль функции ошибки в задачах выбора признаков |
- | # | + | # Построение интегральных индикаторов для описаный в ранговых шкалах |
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
'''Список тем прошлого года''' | '''Список тем прошлого года''' | ||
# Аппроксимация множества точек замкнутыми кривыми | # Аппроксимация множества точек замкнутыми кривыми |
Версия 16:26, 20 сентября 2015
- (Название будет изменено)
В.В. Стрижов, Дополнительные главы машинного обучения
Автор | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
---|---|---|---|---|---|---|---|---|---|---|---|
Рудой (пример) | 1[1] | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | |
Бахтеев Олег | |||||||||||
Вдовина Евгения | |||||||||||
Старожилец Всеволод | |||||||||||
Трофимов Михаил | |||||||||||
Хайруллин Ренат | |||||||||||
Сухарева Анжелика |
- Эссе помещаются в папку /Group074/Surname2014Essay/; каждый документ называется Surname2014EssayN, N = 1,…,10.
Список тем
- Роль функции ошибки в задачах выбора признаков
- Построение интегральных индикаторов для описаный в ранговых шкалах
Список тем прошлого года
- Аппроксимация множества точек замкнутыми кривыми
- Метод группового учета аргументов в краткой нотации
- Заполнение пропусков в порядковых шкалах (и в шкалах без отношения полного порядка)
- Роль Матрицы Ганкеля в прогнозировании временных рядов
- Интегральные индикаторы в ранговых шкалах
- Порождение признаков в прикладных задачах анализа данных
- Смеси моделей, многоуровневые модели, смеси экспертов
- Отыскание общих узлов в последовательности наборов метрических конфигураций
- 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
- 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
Список тем
- Алгоритмы машинного обучения на квантовых компьютерах
- Задачи ИЧК (BCI) и обработка сигналов МЭГ
- Частичное обучение (Semi-supervised learning, Transductive learning)
- "Косвенное обучение" (Transfer learning)
- Обучение словарей (Dictionary learning) (+)
- Задачи многоклассовой классификации с классами различной мощности
- Функция ошибки в моделях глубокого обучения (и задача выбора моделей)
- Инварианты в задачах глубокого обучения (+)
- Оценка объема выборки в глубоком обучении
- Generative vs Discriminative (+)
- Выбор признаков в задачах квадратичной оптимизации (+)
- Онлайновое обучение, обучение с подкреплением (+)
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 |
Методы оценки ковариационных матриц в задачах регрессии и классификации | Александр Адуенко | ? октября | |||
Методы построения мультикоделей в задачах регрессии | Александр Адуенко | ? октября | |||
Выпуклые релаксации в задаче квадратичного программирования | Александр Катруца | Презентация, pdf | 17 сентября | 5(TLK)+ | |
Задачи ИЧК (BCI) и обработка сигналов МЭГ | Вдовина Евгения | 0(TLK)+3.5/5(AK)+ | |||
Порождающий и разделяющий подходы в задаче определения объема выборки | Анастасия Мотренко | октября | |||
Инварианты в задачах глубокого обучения | Бахтеев Олег | 1 октября | 0(TLK)+2.5/5(AK) | ||
Автокодировщики в сетях глубокого обучения | Кузнецова Рита | 1 октября | |||
Иерархическое согласование прогнозов временных рядов | 8 октября | 9.675 | |||
Обучение словарей | Сухарева Анжелика | 15 октября | 0(TLK)+1/5(AK)+ | ||
Онлайновое обучение, обучение с подкреплением | Михаил Трофимов | 22 октября | 0(TLK)+3/5(AK)+ | ||
Тема | Фамилия | Дата |
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,
- вводимые обозначения должны быть удобны и непротиворечивы,
- используемые термины должны быть точны,
- дать теоретические постановки задач,
- желательно привести теоретические примеры решения и его основные свойства,
- представить математические методы,
- привести приметы прикладных задач.
Оценки: максимум 7 баллов из 10 (5 за лекцию + 2 за тесты). Тест: готовит лектор, 5 вопросов со ответом. 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 | |
---|---|---|---|---|---|---|---|---|---|---|---|
Бунаков | [2], Демо |
- Файлы помещаются в папку Surname2014Essay; каждый файл называется Surname2014NbN, N = 1,…,10. Опубликовать ссылки на web-интерфейсы.
(Задания будут изменены)
Задание 1.
Завести учетную запись на сайте [3]. 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.