Спецсеминар "Байесовские методы машинного обучения"/весна 2012

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
м (Зачет по спецсеминару)
м (вопросы)
Строка 57: Строка 57:
| 25 апреля 2012
| 25 апреля 2012
| ''[http://www.inf.ethz.ch/personal/vezhneva/ Вежневец А.]'', ETH,<br>'''Структурное обучение по слабо-размеченным данным для задачи семантической сегментации изображений'''
| ''[http://www.inf.ethz.ch/personal/vezhneva/ Вежневец А.]'', ETH,<br>'''Структурное обучение по слабо-размеченным данным для задачи семантической сегментации изображений'''
-
| [[Media:Vezhnevets_talk.pdf|Презентация (PDF, 2.33Мб)]]
+
| [[Media:Vezhnevets_talk.pdf|Презентация (PDF, 2.33Мб)]]<br>[http://www.inf.ethz.ch/personal/vezhneva/Pubs/VezhnevetsCVPR2012b.pdf Статья]
|-
|-
| 2&nbsp;мая&nbsp;2012
| 2&nbsp;мая&nbsp;2012
Строка 73: Строка 73:
# Супергауссовские потенциалы и их использование в байесовской модели линейной регрессии.
# Супергауссовские потенциалы и их использование в байесовской модели линейной регрессии.
# Вариационные оценки для логистической и мультиномиальной функции. Их использование для обучения логистической и мультиномиальной регрессии.
# Вариационные оценки для логистической и мультиномиальной функции. Их использование для обучения логистической и мультиномиальной регрессии.
 +
# Подход к решению задачи сегментации слабо-размеченных изображений. Схема выбора коэффициентов при потенциалах в энергии.
# Модели машин Больцмана: BM, RBM, DBM. Обучение и вывод в RBM с помощью схем Гиббса, обучение и вывод в DBM с помощью вариационного подхода и схем Гиббса. Способы применения машин Больцмана.
# Модели машин Больцмана: BM, RBM, DBM. Обучение и вывод в RBM с помощью схем Гиббса, обучение и вывод в DBM с помощью вариационного подхода и схем Гиббса. Способы применения машин Больцмана.

Версия 13:16, 17 мая 2012

В весеннем семестре 2012 г. спецсеминар проходит на ВМК по средам в ауд. 524, начало в 18-45.

Расписание семинаров

Дата Название семинара Комментарии
8 февраля 2012 Вишневский В.В.
Level-set методы сегментации изображений. Использование локальной анизотропной геометрической априорной информации
Слайды
15 февраля 2012 Никулин В.Н., сотр. каф. математических методов в экономике Вятского Гос. Университета
Факторные разложения матриц при помощи метода градиентного спуска в приложении к задачам классификации
Статья (Логин: ICML, пароль: UTL11)
22 февраля 2012 Бартунов Сергей, студент 5-го курса ВМК,
Разрешение идентичностей пользователей в социальных сетях
Презентация
29 февраля 2012 Ветров Д.П., н.с. каф. ММП,
Великая французская революция
Ненаучный семинар
7 марта 2012 Галатенко В.В., мех-мат МГУ,
Метод Прони приближения функций с помощью линейной комбинации экспоненциальных функций
14 марта 2012 Кропотов Д.А., ВЦ РАН,
Локальные вариационные оценки для решения задач оптимизации в машинном обучении
Текст (PDF, 376Кб)
21 марта 2012 Новиков П.А., студент 4-го курса ВМК,
Дескрипторы особых точек на изображении, инвариантные к нелинейным деформациям и изменениям освещения
28 марта 2012 Гавриков М.И., студент 3-го курса ВМК,
Метод построения медианного скелета
4 апреля 2012 Ветров Д.П., н.с. ВМК,
Обучение структурного метода опорных векторов по слабо-размеченным данным
11 апреля 2012 Меняйлов В., студент 5-го курса ВМК,
Обзор применения байесовских методов в анализе текстов
18 апреля 2012 Тихонов А., студент 5-го курса ВМК,
Методы деконволюции изображений
25 апреля 2012 Вежневец А., ETH,
Структурное обучение по слабо-размеченным данным для задачи семантической сегментации изображений
Презентация (PDF, 2.33Мб)
Статья
2 мая 2012 Лобачева Е., студентка 3-го курса ВМК,
Deep Boltzmann Machine
Презентация (PDF, 1.9Мб)

Зачет по спецсеминару

Зачет по спецсеминару состоится в четверг, 24 мая. Начало в 15-00. Схема проведения зачета следующая: каждому студенту за сутки до зачета выдается один из вопросов, по которому на самом зачете он выступает у доски в течение 15 минут.

Предварительный список вопросов к зачету:

  1. Метод стохастического градиентного спуска и его применение для поиска матричной факторизации. Схема выбора величины шага по градиенту.
  2. Метод Прони приближения функции с помощью линейной комбинации экспоненциальных функций.
  3. Супергауссовские потенциалы и их использование в байесовской модели линейной регрессии.
  4. Вариационные оценки для логистической и мультиномиальной функции. Их использование для обучения логистической и мультиномиальной регрессии.
  5. Подход к решению задачи сегментации слабо-размеченных изображений. Схема выбора коэффициентов при потенциалах в энергии.
  6. Модели машин Больцмана: BM, RBM, DBM. Обучение и вывод в RBM с помощью схем Гиббса, обучение и вывод в DBM с помощью вариационного подхода и схем Гиббса. Способы применения машин Больцмана.
Личные инструменты