Машинное обучение (семинары, ВМК МГУ)/2013-2014 год, весна

Материал из MachineLearning.

Версия от 23:10, 3 сентября 2014; EvgSokolov (Обсуждение | вклад)
(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)
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

Также для вычисления итоговой оценки можно воспользоваться одной из формул:


mark = min(5, min(sem, exam) + [5 \in \{sem, exam\}])


mark = min(5, max(3, sem + exam - 4))

где sem — оценка за семестр, exam — оценка за экзамен.

Весенний семестр 2013/2014

Расписание занятий

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 EM-алгоритм:
  • решение задач на вывод шагов EM-алгоритма

Проверочная работа по EM-алгоритму

26 февраля Семинар 3 Искусственные нейронные сети
  • метод обратного распространения ошибки
  • градиентные методы оптимизации (полный, стохастический, средний стохастический)
  • глубинные нейронные сети (очень кратко)
  • реализация нелинейных поверхностей и функций с помощью нейросетей

Конспект

Домашнее задание

5 марта Семинар 4 Композиционные методы
  • построение композиции с помощью бутстрэппинга, ее средняя ошибка
  • вывод формул для AdaBoost

Проверочная работа по нейросетям

Конспект

Домашнее задание

19 марта Семинар 5 Композиционные методы
  • некоторые семейства базовых классификаторов и способы их обучения
  • многоклассовый AdaBoost
  • AnyBoost на примере логистической функции потерь
  • градиентный бустинг и его модификации

Конспект

Домашнее задание

26 марта Семинар 6 Композиционные методы
  • bias-variance decomposition
  • разложение ошибки для метода k ближайших соседей
  • бэггинг
  • случайные леса

Проверочная работа по бустингу

Конспект

Домашнее задание

9 апреля Семинар 7 Методы выбора моделей
  • критерий Акаике (с доказательством)
  • кросс-валидация, ее виды

Проверочная работа по бэггингу

Конспект

28 апреля Семинар 8 Матричные разложения
  • выбор функционала, семейство AB-дивергенций
  • методы матричных разложений (SVD, SG, ALS, HALS)
  • неотрицательные матричные разложения (мультипликативные методы, ANLS, HALS)
  • factorization machines

Проверочная работа по методам выбора моделей

7 мая Семинар 9 Приглашенные доклады

Алексей Панов. Модификация линейной регрессии для решения задачи прогнозирования спроса.

Андрей Зимовнов. Ранжирование в продуктовом поиске интернет-магазина.

13 мая Семинар 10 Приглашенные доклады

Александр Фонарев. Решение задач с категориальными признаками.

Никита Животовский. Оценки риска в теории статистического обучения.

Дипломная работа Александра Фонарева

Конспект лекции Никиты Животовского

Оценки

ФИО студента Группа EM ANN Boosting Bagging AIC Семестр Экзамен Итоговая оценка
Апишев М. 317 5 5 4.5 5 5 5 4 5
Афанасьев К. 317 5 5 5 5 5 5
Готман М. 317 5 5 5 5 5 5 4 5
Дойков Н. 317 3.5 4 3.5 5 5 4 4 4
Захаров Е. 317 5 5 4.5 4.75 5 5 4 5
Козлов В. 317 5 5 5 3.5 5 5 4 5
Колмаков Е. 317 5 4 3.75 4.75 5 5 5 5
Лисяной А. 317 5 5 5 5 5 5 4 5
Лукашкина Ю. 317 5 5 4.5 5 5 5 5 5
Ожерельев И. 317 4.5 5 5 4.75 5 5 5 5
Родоманов А. 317 5 5 5 4.75 5 5 5 5
Сендерович Н. 317 5 5 5 5 5 5 5 5
Славнов К. 317 3 5 5 5 5 5 3 4
Тюрин А. 317 5 5 4.5 5 5 5 5 5
Хальман М. 317 5 3.5 3.5 4.5 5 4 5 5
Хомутов Н. 317 4 5 5 4.75 5 5 3 4
Чистяков А. 317 5 5 4.5 5 5 5 5 5
Шапулин А. 317 5 5 4.5 5 5 5 3 4

Страницы курса прошлых лет

2013-2014 год, осень

2012 год

Личные инструменты