Машинное обучение (семинары, ВМК МГУ)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Весенний семестр 2015/2016)
(Расписание занятий)
Строка 78: Строка 78:
| [https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem03_ensembles.pdf Конспект]
| [https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem03_ensembles.pdf Конспект]
| [https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/homeworks/Sem03_ensembles_hw.pdf Домашнее задание]
| [https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/homeworks/Sem03_ensembles_hw.pdf Домашнее задание]
 +
|-
 +
|11 марта
 +
|align="center"|Семинар 4
 +
|
 +
Композиционные методы:
 +
* Разложение ошибки на шум, смещение и разброс (bias-variance decomposition)
 +
* Смещение и разброс метода k ближайших соседей
 +
* Бутстрэп
 +
* Бэггинг, его смещение и разброс
 +
* Случайные леса, out-of-bag-оценки
 +
* Связь случайных лесов с метрическими методами
 +
| [https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/lecture-notes/Sem04_ensembles.pdf Конспект]
 +
| [https://github.com/esokolov/ml-course-msu/blob/master/ML15-spring/homeworks/Sem04_ensembles_hw.pdf Домашнее задание]
|}
|}

Версия 08:34, 11 марта 2016

Содержание


Выставление оценки за курс

Итоговая контрольная работа:

  1. На последней лекции будет проведена контрольная работа, которая затронет все темы, изученные в течение семестра.
  2. Контрольная оценивается по двухбалльной шкале (зачет/незачет), незачет влечет за собой недопуск к экзамену.
  3. Студент, не получивший допуск, переписывает на экзамене контрольную. В случае успеха он сдает экзамен на первой пересдаче. В случае незачета он снова переписывает контрольную на первой пересдаче, и так далее.

Семинары:

  1. На семинарах по каждой пройденной теме будут проводиться проверочные работы. Каждая проверочная оценивается по пятибалльной шкале. В зависимости от оценки за проверочную, студент освобождается от части или от всех задач по этой теме на итоговой контрольной работе.
  2. Также на семинарах будут выдаваться практические задания, которые будут оцениваться по пятибалльной шкале.
  3. В течение семестра будут проводиться конкурсы по анализу данных. Каждый конкурс оценивается по 15-балльной шкале. За первое, второе и третье место выставляется 15, 13 и 11 баллов соответственно при условии, что студенты выступят с докладом о своем решении (в противном случае они получают 10 баллов). За места с четвертого и по самое последнее, превосходящее бейзлайн, выставляется от 10 до 1 баллов по равномерной сетке. Если все присланные группой решения будут тривиальными, то преподаватель имеет право снизить максимальную оценку до 10 или до 5 баллов.
  4. Оценка за работу в семестре равна сумме оценок за проверочные работы, практические задания и конкурсы.
  5. Если оценка за работу в семестре не меньше 100% от максимальной оценки за проверочные и лабораторные работы, то студент освобождается от написания итоговой контрольной и получает допуск к экзамену автоматом.
  6. Если оценка за работу в семестре не меньше 80% от максимальной оценки за проверочные и лабораторные работы и конкурсы, то студент получает +1 балл на экзамене (при условии получения положительной оценки).
  7. В конце семестра разрешается переписать одну пропущенную по любой причине проверочную работу. Также разрешается переписать все проверочные, пропущенные по уважительной причине.

Весенний семестр 2015/2016

Расписание занятий

Занятия проходят в ауд. 582 по пятницам, начало в 8:45.

Дата Номер Тема Материалы Д/З
12 февраля Семинар 1

EM-алгоритм:

  • Скрытые переменные и смеси распределений
  • EM-алгоритм в общем виде
  • Вывод формул для смеси нормальных распределений
  • Дивергенция Кульбака-Лейблера, ее свойства
  • Обоснование EM-алгоритма
Конспект Домашнее задание
19 февраля Семинар 2

Композиционные методы:

  • Бутстрэппинг, уменьшение средней ошибки при усреднении алгоритмов
  • AdaBoost: метод обучения, скорость сходимости
  • Семейства базовых классификаторов для AdaBoost
  • Многоклассовый AdaBoost
Конспект Домашнее задание
4 марта Семинар 3

Композиционные методы:

  • Бустинг с квадратичной функцией потерь
  • Градиентный бустинг как градиентный спуск в функциональном пространстве
  • Регуляризация в градиентном бустинге: сокращение шага и бэггинг
  • Логистическая функция потерь, ее обоснование и формулы для бустинга
  • Градиентный бустинг над деревьями, переподбор ответов в листьях
  • Взвешивание объектов в градиентном бустинге
  • Сравнение логистической и экспоненциальной функций потерь
Конспект Домашнее задание
11 марта Семинар 4

Композиционные методы:

  • Разложение ошибки на шум, смещение и разброс (bias-variance decomposition)
  • Смещение и разброс метода k ближайших соседей
  • Бутстрэп
  • Бэггинг, его смещение и разброс
  • Случайные леса, out-of-bag-оценки
  • Связь случайных лесов с метрическими методами
Конспект Домашнее задание

Практические задания

Решения желательно присылать сразу в двух форматах:

  • ссылка для просмотра ноутбука на NBViewer или GitHub
  • файл с ноутбуком во вложении

За каждый день просрочки из оценки вычитается 0.2 балла.

Задание Тема Дата выдачи Срок сдачи Условие
Лабораторная работа 1 Линейные методы 29.02.2016 14.03.2016 Условие

Виртуальная машина с питоном и библиотеками

Полезные ссылки: см. репозиторий.

Соревнования

Задание Тема Дата начала Дата окончания Ссылка
Соревнование 1 Предскажите вероятность победы команды в Dota 2 18.02.2016 13.03.2016 https://kaggle.com/join/cmcmlspring20161

Все студенты должны прислать краткий отчет о своем решении и код, воспроизводящий результат.

Оценки

https://docs.google.com/spreadsheets/d/1vK3gM6sAj2TEqO9mPhm5cIuNSmpsw3CIpQnb4G4Dguo/edit?usp=sharing

Страницы курса прошлых лет

2015-2016 год, осень

2014-2015 год, весна

2014-2015 год, осень

2013-2014 год, весна

2013-2014 год, осень

2012 год

Личные инструменты