Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 274, осень 2015
Материал из MachineLearning.
Курс
Построение эксплуатируемых моделей и проведение вычислительного эксперимента
- Отчет о результатах курса за 2013, Report2013Fall.pdf
- Группа 174, осень 2014: построение эксплуатируемых моделей и проведение вычислительного эксперимента, задачи из индустриальных и академических источников
- Группа 074, осень 2013: построение эксплуатируемых моделей и проведение вычислительного эксперимента
- Короткая ссылка на эту страницу: http://goo.gl/7wpPlp
- Проекты с готовой Web-частью располагаются по адресу http://mvr.jmlda.org
| Автор | Тема научной работы | Ссылка | Консультант | Рецензент | Доклады | Буквы | Сумма | Оценка |
|---|---|---|---|---|---|---|---|---|
| Бернштейн Юлия | ||||||||
| Бочкарев Артем | ||||||||
| Гончаров Алексей | ||||||||
| Двинских Дарина | ||||||||
| Ефимов Юрий | ||||||||
| Жариков Илья | ||||||||
| Задаянчук Андрей | ||||||||
| Златов Александр | ||||||||
| Исаченко Роман | ||||||||
| Нейчев Радослав | ||||||||
| Подкопаев Александр | ||||||||
| Решетова Дарья | ||||||||
| Смирнов Евгений | ||||||||
| Соломатин Иван | ||||||||
| Черных Владимир | ||||||||
| Шишковец Светлана | ||||||||
| Камзолов Дмитрий |
Расписание
| Дата | Что сделано | Результат для обсуждения | Буква | |
|---|---|---|---|---|
| Сентябрь | 9 | Первая лекция. Представление нового курса, мотивация, организация работ. Две вводные лекции для новых студентов (по возможности). | ||
| 16 | Выбрана задача, рецензент. Доклад на 45 секунд о своем проекте. | Запись в ML. Доклад B | Go | |
| 23 | Собрана литература. Собрана и описана выборка, сделано описание данных в текстовом виде или в IDEF0. Доклад 2й подгруппы. | Список литературы. Описание данных. | Literature | |
| 30 | Поставлена задача. Написаны математическая постановка в формате TeX и описание базового алгоритма. | Постановка задачи и алгоритм. | Algorithm | |
| Октябрь | 7 | Разработана архитектура и интерфейс ядра системы. | Описание архитектуры в IDEF0. | Idef |
| 21 | Детализирован интерфейс, написан код. | Код для реальных данных. | Code | |
| 28 | Написаны юнит-тесты и модуль, их запускающий. Подготовлен доклад с обоснованием интерфейсов и IDEF-описания. | Юнит-тесты, доклад | Unit | |
| Ноябрь | 4 | Собраны и подготовлены данные, необходимые для тестирования. Доработана схема IDEF0 в части подготовки данных. Написаны и запущены системные тесты. | Тесты, данные, доработанная схема IDEF0. | Tests, Data |
| 11 | Код оптимизирован. | Отчет профайлера до и после. | Profiler | |
| 18 | Сделан визуальный отчет. По результатам доработки кода написана рецензия на работу. | Завершенный тех.отчет, рецензия. | Report, Review | |
| 25 | Сделан пользовательский интерфейс и неcколько примеров использования системы. | Код на сайте. | Web | |
| Декабрь | 2 | Подготовлен доклад, приведены в порядок документация и код. | Обсуждение результатов, доклад F первой группы. | Slides |
| 9 | - | Доклад F второй группы. |
Доклады обозначаются буквами B, M, F.
Задачи
Шаблон описания научной статьи
- Название: Название, под которым статья подается в журнал.
- Задача: Описание или постановка задачи. Желательна постановка в виде задачи оптимизации (в формате argmin). Также возможна ссылка на классическую постановку задачи.
- Данные: Краткое описание данных, используемых в вычислительном эксперименте, и ссылка на выборку.
- Литература: Список научных работ, дополненный 1) формулировкой решаемой задачи, 2) ссылками на новые результаты, 3) основной информацией об исследуемой проблеме.
- Базовой алгоритм: Ссылка на алгоритм, с которым проводится сравнение или на ближайшую по теме работу.
- Решение: Предлагаемое решение задачи и способы проведения исследования. Способы представления и визуализации данных и проведения анализа ошибок, анализа качества алгоритма.
- Новизна: Обоснование новизны и значимости идей (для редколлегии и рецензентов журнала).
Список проектов
Задача 1
- Название: Анализ данных для выявления скрытых закономерностей в петрофизической информации, полученной лабораторными исследованиями керна
- Задача: Имеются результаты измерений параметров керна скважины в некотором интервале по глубине, содержащим породу с газовой и нефтяной частями. Измерения имеют типичную лабораторную погрешность и возможные отскоки. Часть данных продублирована измерениями другой лаборатории. Требуется отсеять недостоверные данные, оценить достоверность отобранных данных, выявить подмножества определяющих параметров, с оценкой дисперсий. Построение соответствующих методов, учитывающих физику данных и типы пород, является составной частью задачи.
- Данные: таблица с данными измерений керна по глубине, содержащими теплофизические свойства, плотность, пористость и проницаемость породы. Возможно добавление аналогичных таблиц с другими глубинами и/или скважинами.
- Литература:
- У консультанта имеются полезные учебники по основам лабораторных исследований керна и свойствам пород (djvu)
- Математический инструментарий ожидается от научного руководителя
- Литературный обзор применяемых в нефтянке методик (см. следующий пункт) предлагается выполнить студенту самостоятельно, как одну из целей проекта.
- Базовой алгоритм: Необходимо предварительное литературное исследование имеющихся в нефтегазовой науке методик с целью выявления их возможностей, сильных и слабых сторон. Ожидается либо усовершенствование известных подходов, либо успешное применение некоторого нового алгоритма.
- Решение: ??
- Новизна: Информационное обеспечение разведки и разработки нефтяных и газовых месторождений содержит большие массивы данных, включающих случайную и систематическую составляющую. Для задач интерпретации и прогноза необходима, как первая цель, общая математическая методика, позволяющая выявить систематическую составляющую вместе с оценкой достоверности и статистическими параметрами вклада случайной составляющей. Следующей, и основной целью, является разработка непосредственно самих методов интерпретации отфильтрованных достоверных данных и оценки коллекторских свойств продуктивных пластов (пористости, проницаемости, начальной нефтенасыщенности).
- Консультант: И.Л. Софронов, Московский научно-исследовательский центр Шлюмберже.
Задача 2
- Название: Определение области обоснованности регрессионной модели
- Задача: Для молекул строятся регрессионные модели, которые по описанию молекулы предсказывают ее свойства (свободная энергия и т.д.). Нужно построить классификатор, который будет оценивать насколько стоит доверять предсказанным свойствам для новой молекулы: ошибается ли модель более чем на 30% (относительная ошибка) в оценке свободной энергии молекулы.
- Данные: открытые данные с PubMed и других источников, явные ссылки на источники есть у консультанта.
- Литература:
- У консультанта имеются статьи, в которых рассматриваются похожие задачи в хемоинформатике.
- Существует хорошая книга по регрессии на основе гауссовских процессов http://www.gaussianprocess.org/gpml/
- Базовой алгоритм: Предполагается, что для построения регрессионной модели будет использоваться алгоритм построения регрессионной модели на основе гауссовских процессов. В качестве дополнительного признака для классификации качества модели в точке можно использовать оценку неопределенности модели (апостериорную дисперсию).
- Решение: ??
- Новизна: Предполагается, что использование оценок неопределенности модели позволит улучшить классификацию точек на те, на которых модель достаточно точна и не очень точна. Предполагается, что студент предложит самостоятельно и другие признаки и оценит их полезность на практике.
- Консультант: А.А. Зайцев, ИППИ РАН.
