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

Материал из MachineLearning.

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

Лекции

  1. О.Ю. Бахтеев Выбор структуры модели согласно критерию наименьшей длины описания (тест)
  2. О.Ю. Бахтеев Выбор структуры модели: продолжение
  3. Г.С. Малиновский (Индуктивные смещения и графовые сети) (статья)
  4. А.М. Катруца Optimization of preconditioners for some solvers of linear systems слайды и вопросы, ссылка на анкету для заполнения (скан ответа или pdf, следите за качеством сканов).

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 27.02.19 Гипотеза порождениия данных

Prior

Григорий Малиновский 13.02.19 Структура
Олег Терехов Ошибка, эксплуатационная
Тамаз Гадаев Снижение размерности [1]
Егор Шульгин 13.03.19 4 Устойчивость Тест
Анна Рогозина 20.03.19 Embeddings Тест
Антон Астахов Суперпозиции
Вадим Кислинский
Никита Плетнев 13.03.2019 Модели Тест
Егор Гладин Суперпозиция

Даты

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