Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 574, весна 2019

Материал из MachineLearning.

Версия от 23:46, 3 января 2019; Strijov (Обсуждение | вклад)
(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)
Перейти к: навигация, поиск


Лекции с разбором фундаментальных понятий в современных задачах машинного обучения

Цель курса - научиться использовать фундаментальные понятия машинного обучения при анализе проблем, возникающих при решении прикладных задач последних лет.

Формат лекции

Источник: научные статьи последних лет, желательно 2017-2018. Продолжительность: 35 минут. Ожидаемое число слайдов: 15-30. Цели:

  1. Раскрыть базовое, фундаментальное понятие машинного обучения с примерами на современных прикладных прикладных задачах.
  2. Показать, как строится научное исследование на материале коммерческой задачи.
  3. Подобрать примеры постановки и решения новых и узкоспециальных задач.

Рекомендации к стилю изложения:

  • дать основные определения этой области,
  • вводимые обозначения должны быть удобны и непротиворечивы,
  • используемые термины должны быть точны,
  • дать теоретические постановки задач,
  • представить математические методы решения,
  • привести схему решения и его основные свойства,
  • привести примеры внедрения прикладных задач.

Оценки: max 5 за лекцию, лекция является условием зачета, и max 5 за тесты. Тест готовит лектор, 10 вопросов с вариантами ответов. Суммарный результат тестов линейно отображается в [0,5].

Темы на выбор

Указать в таблице одну из тем:

  1. Модели
  2. Сложность
  3. Устойчивость
  4. Ошибка, оптимизационная
  5. Ошибка, эксплуатационная
  6. Гипотеза порождения данных
  7. Суперпозиция
  8. Локальная аппроксимация
  9. Универсальные модели
  10. Снижение размерности
  11.  ?Алгоритмы машинного обучения на квантовых компьютерах

Задачи на выбор

  1. Частичное обучение (Semi-supervised learning, Transductive learning)
  2. Косвенное обучение (Transfer learning)
  3. Обучение словарей (Dictionary learning)
  4. Задачи многоклассовой классификации с классами различной мощности
  5. Функция ошибки в моделях глубокого обучения (и задача выбора моделей)
  6. Инварианты в задачах глубокого обучения
  7. Оценка объема выборки в глубоком обучении
  8. Generative vs Discriminative
  9. Выбор признаков в задачах квадратичной оптимизации
  10. Онлайновое обучение, обучение с подкреплением

Расписание

Автор Дата Тема и слайды Ссылка на тест
Андрей Грабовой
Григорий Малиновский
Олег Терехов
Тамаз Гадаев
Егор Шульгин 10
Анна Рогозина
Антон Астахов
Вадим Кислинский
Никита Плетнев
Егор Гладин

Даты

  • Февраль 6 начало, 13, 20, 27, Март 6, 13, 20, 27, Апрель 3, 10, 17, 24.
Личные инструменты