Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 274, осень 2017

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Расписание докладов)
(Расписание докладов)
Строка 86: Строка 86:
* Профилирование пользователей по мультимедийной информации (тесты, данные, доработанная схема IDEF0) ''Алексей Гончаров''
* Профилирование пользователей по мультимедийной информации (тесты, данные, доработанная схема IDEF0) ''Алексей Гончаров''
|
|
 +
* [[Media:Bochkarev2017Presentation_02.pdf| presentation]]
|-
|-
|
|

Версия 12:58, 9 ноября 2017

Цель курса: создать серию видео-семинаров c разбором задач и теоретических новинок прикладной направленности (систематизация без популяризации).

Цель быть понятным, когда речь идет о сложных вопросах


На каждом семинаре оценивается квалификация докладчика:

  • способность систематизировать теоретические работы и представить в виде единого ясного непротиворечивого сообщения,
  • способность увидеть в прикладной задаче систематическую формальную постановку, которая приведет к быстрому качественному решению коммерческого проекта (в отличие от неформальной, при которой программисты работают с черными ящиками и решают проблему исходя не из алгебраической и статистической постановки задачи, а из доступного инструментария). Основная ошибка при подготовке к лекциям - сам разобрался недостаточно подробно и скопировал материал статьи.

Требования к семинарам, теория

  1. Единая нотация
  2. Решаемая проблема
  3. Основные положения, гипотезы
  4. Решение
  5. Свойства и ограничения решения
  6. Альтернативные решения
  7. Теоретическая значимость
  8. Применение на практике
Понимать технологическую новость как будто сам сделал этот проект


Требования к семинарам, практика

  1. Примеры прикладной задачи
  2. Неформальная постановка задачи
  3. Формальная постановка (в рекомендуемых обозначениях Кузнецов-Катруца-Мотренко-Адуенко TODO ссылки) в которой есть
    • алгебраические структуры на данных
    • гипотезы порождения данных
    • функции ошибки
  4. Возможные детали:
    • виды моделей, выбор моделей, методы оптимизации
    • инструменты для прораммирования



Предпочтительнее ссылка на MLAlgorithms, потому, что туда можно положить исходники презентации


Расписание докладов

Дата Тема доклада Сылка
Сентябрь 21
  • Semi-supervised Learning with Deep Generative Models Роман Исаченко
28
  • Шпаргалка по всем сетям, их классификация и строгое описание Илья Жариков
  • Призма, другие коммерческие проекты по обработке изображений Роман Исаченко
Октябрь 5
  • Типология GAN и принципы постановки задач для этих сетей Алексей Гончаров
19
  • Порождение признаков и словари в анализе изображений Роман Кулага
  • Мультиагентные системы, роевой интеллект Илья Пугач
26
  • Структурное обучение: порождение деревьев (суперпозиций) с помощью 1) RNN, 2) автоматов, HMM, 3) автоэнкодеров (и символьные методы) Артем Бочкарев
  • Сеть, которая пишет стихи, рисует картины - постановка задач Илья Жариков
Ноябрь 2
  • Автоматическое вождение, обзор системы и постановки задач Артем Бочкарев
  • Игры Атари постановка задачи, анализ сходства и различия в постановках Роман Кулага
  • Профилирование пользователей по мультимедийной информации (тесты, данные, доработанная схема IDEF0) Алексей Гончаров
9
  • Хеширование и аналитика (кластеризация, ранжирование) больших данных Алексей Морозов
  • Синтез лекарственных препаратов Алексей Морозов
16
  • Современное состояние, новости, перспективы Reinforsment Learning Евгений Смирнов
  • Управление мозгом, интерфейс мозг-мозг Илья Пугач
23
  • Отличия GAN от VAE, постановка задач и структуры моделей: обсуждение Гончаров, Бочкарев, Исаченко
  • Чат-боты, постановка задачи Евгений Смирнов
Личные инструменты