Машинное обучение (семинары, ВМК МГУ)

Материал из MachineLearning.

Перейти к: навигация, поиск

Содержание


Выставление оценки за курс

Оценка за работу в семестре и допуск к экзамену:

  1. На семинарах изучается определенное число тем, по каждой из которых проводится проверочная работа.
  2. Проверочная работа состоит из нескольких задач, за решение каждой из которых дается определенное число баллов. Максимальная сумма баллов, которую можно набрать за проверочную работу, равна пяти.
  3. Если студент набирает за проверочную работу три балла или больше, то считается, что он закрыл соответствующую тему.
  4. Оценка за работу в семестре равна средней оценке за проверочные работы.
  5. Для получения допуска к экзамену необходимо закрыть все темы.
  6. Если у студента на конец семестра есть незакрытые темы, то в день экзамена он решает контрольную работу, в которую входят задачи по всем таким темам. Если студент справляется со всеми задачами, то он получает допуск и сдает экзамен в день первой пересдачи. В противном случае на первой пересдаче ему выдается контрольная, в которую входят задачи, аналогичные не решенным в прошлый раз, и так далее. Когда студент справляется со всеми задачами, ему выставляется три балла за работу в семестре. Более того, оценка за экзамен ограничивается сверху тремя баллами.
  7. В конце семестра будет проведена контрольная работа, на которой будет дана еще одна попытка решить задачи, не решенные на проверочных работах (и, соответственно, закрыть незакрытые темы).
  8. После каждого семинара студентам выдается домашняя работа. Ее выполнение не проверяется, однако задачи из нее могут войти в проверочную работу.

Выставление итоговой оценки:

  1. Оценка за работу в семестре округляется до ближайшего целого числа (.5 округляется вверх).
  2. Итоговая оценка находится по следующей таблице:
Семестр Экзамен Итог
3 3 3
3 4 3
3 5 4
4 3 3
4 4 4
4 5 5
5 3 4
5 4 5
5 5 5

Осенний семестр 2013

Расписание занятий

Дата Тема Материалы Д/З
11 сентября Семинар 1. Метрические методы:
  • проблемы метода k ближайших соседей
  • функции расстояния

Конспект

Домашнее задание

18 сентября Семинар 2. Метрические методы:
  • методы быстрого поиска ближайших соседей
  • locality-sensitive hashing

Конспект

Домашнее задание

25 сентября Семинар 3.

Проверочная работа по метрическим методам.


Решающие деревья:

  • методы построения

см. семинар 4

2 октября Семинар 4. Решающие деревья:
  • функционалы качества

Конспект

Домашнее задание

8 октября Семинар 5.

Проверочная работа по решающим деревьям.


Решающие деревья:

  • cost-complexity pruning

Конспект

Разобрать конспект

от теоремы 2.2 до конца

16 октября Семинар 6. Линейные классификаторы:
  • градиент и его свойства
  • векторное дифференцирование
  • геометрия линейных классификаторов
  • градиентный спуск, его особенности
  • регуляризация

Конспект

Домашнее задание

+ разобрать раздел 3 из конспекта

26 октября Семинар 7.

Проверочная работа по векторному дифференцированию.


Линейные классификаторы:

  • условная задача оптимизации, лагранжиан
  • двойственная задача
  • условия Куна-Таккера

Конспект

Домашнее задание

30 октября Семинар 8.

Проверочная работа по двойственным задачам.


Линейные классификаторы:

  • метод опорных векторов
  • сведение задачи SVM к задаче квадратичного программирования
  • формулировка и вывод двойственной задачи

Конспект

Домашнее задание

6 ноября Семинар 9.

Линейные классификаторы:

  • решение задач на SVM

Конспект

Домашнее задание

13 ноября Семинар 10.

Проверочная работа по SVM.


Линейные классификаторы:

  • ядра и спрямляющие пространства
  • применение ядер в линейной регрессии
  • вычисление расстояний в спрямляющем пространстве
  • способы построения ядер
  • полиномиальные и гауссовы ядра

Конспект

Домашнее задание

20 ноября Семинар 11.

Проверочная работа по ядровым методам.


Метод главных компонент:

  • дифференцирование следа матрицы
  • метод главных компонент как матричное разложение
  • метод главных компонент как поиск линейного подпространства

Конспект

Домашнее задание

27 ноября Семинар 12.

Проверочная работа по методу главных компонент.


Байесовские методы:

  • оптимальные байесовские правила для бинарной и квадратичной функций потерь
  • метод максимального правдоподобия
  • байесовская регуляризация на примере задачи линейной регрессии
  • очень кратко про байесовский вывод

Конспект

Домашнее задание

4 декабря Семинар 13.

Байесовские методы:

  • многомерное нормальное распределение, его свойства
  • нормальный дискриминантный анализ
  • вывод оценок максимального правдоподобия для многомерного нормального распределения
  • линейный дискриминант Фишера как поиск одномерного представления выборки

Конспект

Домашнее задание

11 декабря Семинар 14.

Проверочная работа по байесовским методам.


Лекция по EM-алгоритму

См. лекции, раздел 2.4

Доказать теоремы 2.6 и 2.7 из лекций

18 декабря Семинар 15.

Переписывание проверочных работ.

Оценки

ФИО студента Группа kNN trees vdiff kkt svm kernel pca bayes Семестр Экзамен Итоговая оценка
Апишев М. 317 4 4.5 5 5 4.33 5 5 4.5 5
Афанасьев К. 317 4 3.5 4 5 4 3 3 4 4
Готман М. 317 3.5 4 5 5 3 5 5 4.5 4
Дойков Н. 317 4 4.5 5 5 4 5 5 4.5 5
Захаров Е. 317 4.75 5 5 5 4 5 5 5 5
Козлов В. 317 3.75 5 5 5 5 4 5 4.5 5
Колмаков Е. 317 5 4.5 5 4.5 4 5 5 5 5
Лисяной А. 317 4.5 4 5 5 5 5 3.5 4 5
Лукашкина Ю. 317 4.5 4 3.5 5 3 3.5 5 4 4
Ожерельев И. 317 3.75 4.5 5 5 4 4.5 5 3.5 4
Онищенко М. 317 2.67 3 3 4.5 3 5 5 0 недопуск
Родоманов А. 317 4 5 5 5 4 5 5 4.83 5
Сендерович Н. 317 5 5 5 5 5 5 5 4.5 5
Славнов К. 317 5 4.5 3 3.5 3 5 5 4.5 4
Тюрин А. 317 5 5 5 5 4.5 5 4 4.25 5
Хальман М. 317 3.16 3 5 5 4.5 4 3.5 3.5 4
Хомутов Н. 317 4 5 5 5 3.5 4 3 4.25 4
Чистяков А. 317 3 4.5 5 5 5 5 5 5 5
Шапулин А. 317 5 5 5 5 4 5 5 4.25 5

Страницы курса прошлых лет

2012 год

Личные инструменты