Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 274, весна 2016
Материал из MachineLearning.
(Различия между версиями)
(→Эссе) |
(→Эссе) |
||
Строка 166: | Строка 166: | ||
|- | |- | ||
|Черных Владимир | |Черных Владимир | ||
- | | 1 | + | | [https://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group274/Chernykh2016Essays/ChernykhEssay1.pdf?format=raw 1] |
| 2 | | 2 | ||
| 3 | | 3 |
Версия 23:45, 16 февраля 2016
Построение моделей в машинном обучении
Курс посвящен обсуждению методов выбора моделей. Обсуждение ведется в формате лекций, докладов и эссе. Эссе — это краткое, примерно на страницу, изложение собственной точки здрения на постановку и решение определенной задачи. Пишется в свободной форме, но с учетом нашего стиля написания научных работ: терминологическая точность и единство обозначений приветствуются[1].
Эссе
Автор | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | L | E | Оценка |
---|---|---|---|---|---|---|---|---|---|---|---|
Бочкарев Артем | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Гончаров Алексей | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Двинских Дарина | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Жариков Илья | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Задаянчук Андрей | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Златов Александр | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Исаченко Роман | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Нейчев Радослав | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Подкопаев Александр | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Решетова Дарья | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Смирнов Евгений | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Черных Владимир | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Шишковец Светлана | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | |||
Чинаев Николай | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
Эссе хранятся в папке Group274/Surname2016Essays/. Ссылка на эссе делается по шаблону
[https://sourceforge.net/p/mlalgorithms/code/HEAD/tree/Group274/Surname2016Essays/Surname2016Essay1.pdf?format=raw 1]
Темы работ
- Эссе 1. Байесовский вывод в выборе моделей slides, txt, paper
- Вывод формулы ошибки общего вида для "необычных" гипотез порождения данных (от мультиномиального распределения для задачи многоклассовой классификации до произвольных распределений из экспоненциального семейства, см. список GLM).
- Для некоторых функций ошибки указать из какой гипотезы порождения данных они получены и каким образом (например, функцию ошибки включена сумма различных видов штрафов на векторы параметров и невязок).
- Сделать эксперимент-пример вычисления правдоподобия моделей и визуальный анализ пространства параметров и гиперпараметров модели.
- Эссе 2. Смеси моделей
- Эссе 3. Оценка параметров
Сумма=13, где A-=0, A=1, A+=1.5, A++=2, тесты (30-50 вопросов 1 час)=3, доклад=2, 3 пропуска.