Выбор моделей в машинном обучении (теория и практика, О.Ю. Бахтеев, В.В. Стрижов)/Группа 574, осень 2020

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Темы семинаров)
(Темы на выбор)
Строка 23: Строка 23:
=== Темы на выбор ===
=== Темы на выбор ===
Указать в таблице одну из тем:
Указать в таблице одну из тем:
-
#
 
-
 
=== Расписание ===
=== Расписание ===

Версия 20:28, 1 сентября 2020


Серия семниаров и докладов на тему выбора моделей машинного обучения. Обсуждаются теоретическе аспекты и практика байесовского подхода к выбору моделей. Цель семинаров - обсудить роль информативного априорного распределения (informative prior). Основные вопросы:

  1. Как учитывать экспертные знания при назначении АР (простановка задач байесовского выбора моделей)?
  2. Каким образом связаны теоретические модели прикладной области с информативным АР (интерпретируемость моделей с точки зрения теории)?
  3. Как использовать новую информацию, полученную в результате вывода, придальнейшем назначении АР?

Темы семинаров

  1. Байесовский вывод (повторение).
  2. Вариационный вывод, семплирование, VAR, GAN (повторение)
  3. Оптимизация структур моделей и распределения структурных параметров
  4. Смеси моделей, смеси экспертов и их применение
  5. Прямое, обратное преобразование Фурье, его аппроксимация и АР
  6. Спектральная теория графов и АР
  7. Применение байесовских методов в биологии и в EM, SRF микроскории
  8. Применение байесовских методов в теоретической физике
  9. Экспертное обучение и способы назначения априорных распределений
  10. Байесовский подход в теории игр и задачи ИИ
  11. Байесовское программирование и задачи порождения рукописных текстов
  12. Необходимый размер выборки и его приложения в обучении с подкреплением

Темы на выбор

Указать в таблице одну из тем:

Расписание

Дата Автор Тема Автор Тема
16
23
30
7 октября
14
21
28
4 ноября
11
18
25
2 декабря
9

Литература

Личные инструменты