Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 674, осень 2011

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Задачи)
(Задачи)
Строка 56: Строка 56:
| Павлов Кирилл
| Павлов Кирилл
| Зайцев Алексей
| Зайцев Алексей
-
|
+
| [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/pavlov2011model_mixtures Смеси моделей]
|
|
# 05.10
# 05.10

Версия 21:59, 6 декабря 2011


Основная задача этого цикла работ — исследовать и проиллюстрировать недостатки и особенности известных алгоритмов машинного обучения. Практика состоит из трех задач-эссе с отчетом, включающим постановку задачи, описание алгоритма и вычислительный эксперимент-иллюстрацию. Перед выполнением заданий рекомендуются прочитать статью «Численные методы обучения по прецедентам», а также все, что там по ссылкам.

Идея практики: проект (вычислительный эксперимент) должен занимать ровно один день и может быть сделан при этом от начала и до конца.

Отчет состоит из следующих разделов.

  1. Аннотация:
    • до 600 символов
  2. Постановка задачи
  3. Описание решения:
    • настолько подробно, что по математическому описанию можно было бы восстановить код
  4. Вычислительный эксперимент:
    • описание эксперимента
    • иллюстрации с комментариями

Общий объем отчета — 2 страницы в стиле amsmath. Отчет выполняется в TeX и транслируется в Machinelearning.

Задачи

Название задачи Работу выполняет Рецензент Ссылка SF Дата доклада Комментарии
Шаблон отчета о вычислительном эксперименте Welcome! Welcome! Surname2011Title 21.09 - обсуждаем расписание докладов
  1. Исследование устойчивости оценок ковариационной матрицы параметров к случайным признакам
  2. Исследование устойчивости оценок ковариационной матрицы параметров к мультиколлинеарным признакам
  3. Исследование устойчивости оценок ковариационной матрицы параметров к возмущению выборки при использовании существенно-нелинейных моделей
Зайцев Алексей Панов Максим Zaitsev2011CovarianceEstimation
  1. 28.09
  2. 26.10
  3. 23.11
  1. Оценка параметров смеси линейных моделей
  2. Оценка параметров смеси обобщенно-линейных моделей
  3. Оценка параметров смеси экспертов
Павлов Кирилл Зайцев Алексей Смеси моделей
  1. 05.10
  2. 02.11
  3. 30.11
  1. Использование метода Белсли для прореживания признаков линейных моделей
  2. Использование метода Белсли для прореживания признаков обобщенно-линейных моделей
  3. Использование метода Белсли для прореживания признаков нелинейных моделей
Литвинов Игорь Янович Юрий
  1. 05.10
  2. 02.11
  3. 30.11
  1. Статистический отчет при создании моделей линейной регрессии
  2. Статистический отчет при создании моделей логистической регрессии
  3. Статистический отчет при создании обобщенно-линейных моделей
Янович Юрий Юдаев Михаил
  1. 28.09
  2. 26.10
  3. 23.11
  1. Методы сэмплирования функций распределения параметров
  2. Использование методов сэмплирования при оценке правдоподобия регрессионных моделей
  3. Сравнение методов сэмплирования при при оценке правдоподобия регрессионных моделей
Юдаев Михаил Скипор Константин
  1. 28.09
  2. 26.10
  3. 23.11
  1. Аппроксимация функции ошибки функцией многомерного нормального распределения (скаляр, диагональ, общий вид)
  2. Использование метода доверительных регионов при аппроксимации функции ошибки
  3. Устойчивость решений оптимизационного алгоритма при аппроксимации функции ошибки
Панов Максим Павлов Кирилл Panov2011ApproximateInference
  1. 28.09
  2. 26.10
  3. 23.11
  1. Метод главных компонент с условным распределением скрытой переменной
  2. Смеси главных компонент (пример)
  3. Топологические проекции главных компонент
Скипор Константин Литвинов Игорь
  1. 05.10
  2. 02.11
  3. 30.11
  1. Модификация метода Левенберга-Макрвардта для оптимизации функции ошибки общего вида (пример)
  2. Нормирование интеграла аппроксимированной функции ошибки (пример)
  3. Аппроксимация функции ошибки с уточнением параметров модели (пример)
Spirin Nikita Spirin Nikita

Доклады

  • 28 сентября и 5 октября
  • 26 октября и 2 ноября
  • 23 и 30 ноября
      • экзамен 14 декабря 2011

Оформление

Функция ошибки
Функция ошибки

Пример оформления работы -- см. ниже по ссылкам в таблице (первый и четвертый столбцы), там можно взять все заготовки.

Дополнение по оформлению графиков:

  • шрифт должен быть больше,
  • толщина линий равна двум,
  • заголовки осей с большой буквы,
  • заголовок графика отсутствует (чтобы не дублировать подпись в статье);
  • рекомендуется сразу сохранять EPS и PNG (для TeX и для Wiki).
h = figure; hold('on');
plot(xi,y,'r-', 'Linewidth', 2); 
plot(xi,y,'b.', 'MarkerSize', 12);
axis('tight');
xlabel('Time, $\xi$', 'FontSize', 24, 'FontName', 'Times', 'Interpreter','latex');
ylabel('Value, $y$', 'FontSize', 24, 'FontName', 'Times', 'Interpreter','latex');
set(gca, 'FontSize', 24, 'FontName', 'Times')
saveas(h,'ModelOne.eps', 'psc2');
saveas(h,'ModelOne.png', 'png');


MLAlgorithms репозиторий студентов каф. "Интеллектуальные системы" ФУПМ МФТИ сейчас включает более 110 проектов. Тем, кто хочет работать только со своей папкой нужно
  1. попросить администратора создать папку Surname2011Title,
  2. сделать ее CheckOut с адресом https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/Surname2011Title.
Личные инструменты