Wiki - Факультет компьютерных наук - Вклад [ru]

Классификация соц-дем показателей с помощью нейронных сетей (командный проект)

2016-09-30T10:48:01Z

Nizhib: /* Контактная информация */

{{Карточка_командного_проекта
|name=Классификация соц-дем показателей с помощью нейронных сетей
|company=Rambler&Co
|semester=Осень 2016
|course=3
|number_of_students=2-3
|categorize=yes
}}
[[Файл:Text-cnn.png|безрамки|x200px|Сверточная сеть для классификации текстов]]
=== Что это за проект? ===
Нейронные сети уже несколько лет как зарекомендовали себя в качестве «серебряной пули» во многих задачах машинного обучения, особенно связанных с классификацией изображений или текстов.

Сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN, в частности LSTM) — две популярные архитектуры, позволяющие добиться высокого качества в задачах классификации документов, которые задействуют принципиально разные
подходы к пониманию текстов на естественном языке. В качестве примеров развития и комбинирования этих подходов уже появились Bi-Directional LSTM, C-LSTM и другие.

В качестве задания предлагается поэкспериментировать с классификацией пользователей интернета на основе текстов — заголовков страниц, которые они посещают. При этом предлагается рассмотреть несколько подходов последних лет.

=== Чему научатся студенты? Что самое интересное в проекте? ===
Ознакомление со state-of-the-art исследованиями в области классификации текстов на естественном языке.

Возможность попробовать себя в роли Data Scientist'а, спускающего эти исследования с небес академической науки на землю промышленного применения на реальных данных.

=== Организация работы (Как студенты будут работать в команде?) ===
На каждом из этапов легко распределять несколько моделей/путей улучшения внутри команды.

После каждого из этапов (одиночные модели/эмбеддинги/анасамбли) необходимо получить одобрение для перехода на следующий.

=== Компоненты (Из каких частей состоит проект?) ===
1. Ознакомление со статьями по классификации текстов последних лет:
* CNN (1408.5882, 1502.01710)
* LSTM (1503.04069, 1510.03753)
* CharCNN (1509.01626)
* C-LSTM (1511.08630)
* Bi-directional LSTM (1510.03753)

2. Реализация соответствующих архитектур на keras, подбор оптимальных параметров.

3. При наличии эмбеддинга в моделях изучение различных сценариев (см. 1408.5882):
* Обучение эмбеддинга с нуля
* Инициализция готовыми word2vec моделями и дообучение
* Фиксированный эмбеддинг готовыми word2vec моделями
* Комбинирование фиксированного и дообучаемого эмбеддинга

4. Построение ансамблей из моделей выше (см. 1510.03753).

5. Отчет/ноутбуки/репозиторий со всеми проведенными исследованиями и кодом для них.

=== Какие будут использоваться технологии? ===
theano/tensorflow + keras, GPU-вычисления на предоставляемых ресурсах

=== Какие начальные требования? ===
Знание питона на уровне, достаточном для изучения новой библиотеки по sphinx-документации и github-коду :)

Базовое знание об устройстве нейронных сетей, желание разобраться в их современных вариациях (при недостатке желания может помочь NIPS 2013 Tutorial от Rob Fergus или даже скачивание призмы на телефон, при недостатке понимания — курс CS231n от Стэнфордского университета).

=== Темы вводных занятий ===
Знакомство с простыми рекуррентными и сверточными архитектурами для классификации текстов, их реализация на keras.

=== Критерии оценки ===
* 4-5: реализация всех одиночных моделей, подбор параметров для них, репозиторий/ноутбуки/отчет
* 6-7: инициализация предобученными эмбеддингами для моделей с таковыми
* 8-10: построение оптимального ансамбля из рассмотренных моделей

=== Похожие проекты ===

=== Контактная информация ===
Евгений Нижибицкий (почта: e.nizhibitsky[at]rambler-co.ru, слак: @nizhib at [https://docs.google.com/forms/d/e/1FAIpQLSdjQB90EdZGV7Eelwo20WFC1ziP884FR_mtrsrdXPhEKIB3Ow/viewform ods], )

Классификация соц-дем показателей с помощью нейронных сетей (командный проект)

2016-09-30T10:44:37Z

Nizhib:

Rambler-SocDem

2016-08-31T10:57:53Z

Nizhib: Перенаправление на Классификация соц-дем показателей с помощью нейронных сетей (командный проект)

#REDIRECT [[Классификация_соц-дем_показателей_с_помощью_нейронных_сетей_(командный_проект)]]

Классификация соц-дем показателей с помощью нейронных сетей (командный проект)

2016-08-31T10:56:04Z

Nizhib:

{{Карточка_командного_проекта
|name=Классификация соц-дем показателей с помощью нейронных сетей
|company=Rambler&Co
|semester=Осень 2016
|course=3
|number_of_students=2-3
|categorize=yes
}}
[[Файл:Text-cnn.png|безрамки|x280px|Сверточная сеть для классификации текстов]]
=== Что это за проект? ===
Нейронные сети уже несколько лет как зарекомендовали себя в качестве «серебряной пули» во многих задачах машинного обучения, особенно связанных с классификацией изображений или текстов.

Сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN, в частности LSTM) — две популярные архитектуры, позволяющие добиться высокого качества в задачах классификации документов, которые задействуют принципиально разные
подходы к пониманию текстов на естественном языке. В качестве примеров развития и комбинирования этих подходов уже появились Bi-Directional LSTM, C-LSTM и другие.

В качестве задания предлагается поэкспериментировать с классификацией пользователей интернета на основе текстов — заголовков страниц, которые они посещают. При этом предлагается рассмотреть несколько подходов последних лет.

=== Чему научатся студенты? Что самое интересное в проекте? ===
Ознакомление со state-of-the-art исследованиями в области классификации текстов на естественном языке.

Возможность попробовать себя в роли Data Scientist'а, спускающего эти исследования с небес академической науки на землю промышленного применения на реальных данных.

=== Организация работы (Как студенты будут работать в команде?) ===
На каждом из этапов легко распределять несколько моделей/путей улучшения внутри команды.

После каждого из этапов (одиночные модели/эмбеддинги/анасамбли) необходимо получить одобрение для перехода на следующий.

=== Компоненеты (Из каких частей состоит проект?) ===
1. Ознакомление со статьями по классификации текстов последних лет:
* CNN (1408.5882, 1502.01710)
* LSTM (1503.04069, 1510.03753)
* CharCNN (1509.01626)
* C-LSTM (1511.08630)
* Bi-directional LSTM (1510.03753)

2. Реализация соответствующих архитектур на keras, подбор оптимальных параметров.

3. При наличии эмбеддинга в моделях изучение различных сценариев (см. 1408.5882):
* Обучение эмбеддинга с нуля
* Инициализция готовыми word2vec моделями и дообучение
* Фиксированный эмбеддинг готовыми word2vec моделями
* Комбинирование фиксированного и дообучаемого эмбеддинга

4. Построение ансамблей из моделей выше (см. 1510.03753).

5. Отчет/ноутбуки/репозиторий со всеми проведенными исследованиями и кодом для них.

=== Какие будут использоваться технологии? ===
theano/tensorflow + keras, GPU-вычисления на предоставляемых ресурсах

=== Какие начальные требования? ===
Знание питона на уровне, достаточном для изучения новой библиотеки по sphinx-документации и github-коду :)

Базовое знание об устройстве нейронных сетей, желание разобраться в их современных вариациях (при недостатке желания может помочь NIPS 2013 Tutorial от Rob Fergus или даже скачивание призмы на телефон, при недостатке понимания — курс CS231n от Стэнфордского университета).

=== Темы вводных занятий ===
Знакомство с простыми рекуррентными и сверточными архитектурами для классификации текстов, их реализация на keras.

=== Критерии оценки ===
* 4-5: реализация всех одиночных моделей, подбор параметров для них, репозиторий/ноутбуки/отчет
* 6-7: инициализация предобученными эмбеддингами для моделей с таковыми
* 8-10: построение оптимального ансамбля из рассмотренных моделей

=== Похожие проекты ===

=== Контактная информация ===
Евгений Нижибицкий (e.nizhibitsky@rambler-co.ru)

Файл:Text-cnn.png

2016-08-31T10:50:34Z

Nizhib: Convolutional Neural Network for Text Classification

Convolutional Neural Network for Text Classification

Классификация соц-дем показателей с помощью нейронных сетей (командный проект)

2016-08-31T08:03:27Z

Nizhib: /* Критерии оценки */

{{Карточка_командного_проекта
|name=Классификация соц-дем показателей с помощью нейронных сетей
|company=Rambler&Co
|semester=Осень 2016
|course=3
|number_of_students=2-3
|categorize=yes
}}

=== Что это за проект? ===
Нейронные сети уже несколько лет как зарекомендовали себя в качестве «серебряной пули» во многих задачах машинного обучения, особенно связанных с классификацией изображений или текстов.

Сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN, в частности LSTM) — две популярные архитектуры, позволяющие добиться высокого качества в задачах классификации документов, которые задействуют принципиально разные
подходы к пониманию текстов на естественном языке. В качестве примеров развития и комбинирования этих подходов уже появились Bi-Directional LSTM, C-LSTM и другие.

В качестве задания предлагается поэкспериментировать с классификацией пользователей интернета на основе текстов — заголовков страниц, которые они посещают. При этом предлагается рассмотреть несколько подходов последних лет.

=== Чему научатся студенты? Что самое интересное в проекте? ===
Ознакомление со state-of-the-art исследованиями в области классификации текстов на естественном языке.

Возможность попробовать себя в роли Data Scientist'а, спускающего эти исследования с небес академической науки на землю промышленного применения на реальных данных.

=== Организация работы (Как студенты будут работать в команде?) ===
На каждом из этапов легко распределять несколько моделей/путей улучшения внутри команды.

После каждого из этапов (одиночные модели/эмбеддинги/анасамбли) необходимо получить одобрение для перехода на следующий.

=== Компоненеты (Из каких частей состоит проект?) ===
1. Ознакомление со статьями по классификации текстов последних лет:
* CNN (1408.5882, 1502.01710)
* LSTM (1503.04069, 1510.03753)
* CharCNN (1509.01626)
* C-LSTM (1511.08630)
* Bi-directional LSTM (1510.03753)

2. Реализация соответствующих архитектур на keras, подбор оптимальных параметров.

3. При наличии эмбеддинга в моделях изучение различных сценариев (см. 1408.5882):
* Обучение эмбеддинга с нуля
* Инициализция готовыми word2vec моделями и дообучение
* Фиксированный эмбеддинг готовыми word2vec моделями
* Комбинирование фиксированного и дообучаемого эмбеддинга

4. Построение ансамблей из моделей выше (см. 1510.03753).

5. Отчет/ноутбуки/репозиторий со всеми проведенными исследованиями и кодом для них.

=== Какие будут использоваться технологии? ===
theano/tensorflow + keras, GPU-вычисления на предоставляемых ресурсах

=== Какие начальные требования? ===
Знание питона на уровне, достаточном для изучения новой библиотеки по sphinx-документации и github-коду :)

Базовое знание об устройстве нейронных сетей, желание разобраться в их современных вариациях (при недостатке желания может помочь NIPS 2013 Tutorial от Rob Fergus или даже скачивание призмы на телефон, при недостатке понимания — курс CS231n от Стэнфордского университета).

=== Темы вводных занятий ===
Знакомство с простыми рекуррентными и сверточными архитектурами для классификации текстов, их реализация на keras.

=== Критерии оценки ===
* 4-5: реализация всех одиночных моделей, подбор параметров для них, репозиторий/ноутбуки/отчет
* 6-7: инициализация предобученными эмбеддингами для моделей с таковыми
* 8-10: построение оптимального ансамбля из рассмотренных моделей

=== Похожие проекты ===

=== Контактная информация ===
Евгений Нижибицкий (e.nizhibitsky@rambler-co.ru)

Классификация соц-дем показателей с помощью нейронных сетей (командный проект)

2016-08-31T08:02:57Z

Nizhib: /* Компоненеты (Из каких частей состоит проект?) */

{{Карточка_командного_проекта
|name=Классификация соц-дем показателей с помощью нейронных сетей
|company=Rambler&Co
|semester=Осень 2016
|course=3
|number_of_students=2-3
|categorize=yes
}}

=== Что это за проект? ===
Нейронные сети уже несколько лет как зарекомендовали себя в качестве «серебряной пули» во многих задачах машинного обучения, особенно связанных с классификацией изображений или текстов.

Сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN, в частности LSTM) — две популярные архитектуры, позволяющие добиться высокого качества в задачах классификации документов, которые задействуют принципиально разные
подходы к пониманию текстов на естественном языке. В качестве примеров развития и комбинирования этих подходов уже появились Bi-Directional LSTM, C-LSTM и другие.

В качестве задания предлагается поэкспериментировать с классификацией пользователей интернета на основе текстов — заголовков страниц, которые они посещают. При этом предлагается рассмотреть несколько подходов последних лет.

=== Чему научатся студенты? Что самое интересное в проекте? ===
Ознакомление со state-of-the-art исследованиями в области классификации текстов на естественном языке.

Возможность попробовать себя в роли Data Scientist'а, спускающего эти исследования с небес академической науки на землю промышленного применения на реальных данных.

=== Организация работы (Как студенты будут работать в команде?) ===
На каждом из этапов легко распределять несколько моделей/путей улучшения внутри команды.

После каждого из этапов (одиночные модели/эмбеддинги/анасамбли) необходимо получить одобрение для перехода на следующий.

=== Компоненеты (Из каких частей состоит проект?) ===
1. Ознакомление со статьями по классификации текстов последних лет:
* CNN (1408.5882, 1502.01710)
* LSTM (1503.04069, 1510.03753)
* CharCNN (1509.01626)
* C-LSTM (1511.08630)
* Bi-directional LSTM (1510.03753)

2. Реализация соответствующих архитектур на keras, подбор оптимальных параметров.

3. При наличии эмбеддинга в моделях изучение различных сценариев (см. 1408.5882):
* Обучение эмбеддинга с нуля
* Инициализция готовыми word2vec моделями и дообучение
* Фиксированный эмбеддинг готовыми word2vec моделями
* Комбинирование фиксированного и дообучаемого эмбеддинга

4. Построение ансамблей из моделей выше (см. 1510.03753).

5. Отчет/ноутбуки/репозиторий со всеми проведенными исследованиями и кодом для них.

=== Какие будут использоваться технологии? ===
theano/tensorflow + keras, GPU-вычисления на предоставляемых ресурсах

=== Какие начальные требования? ===
Знание питона на уровне, достаточном для изучения новой библиотеки по sphinx-документации и github-коду :)

Базовое знание об устройстве нейронных сетей, желание разобраться в их современных вариациях (при недостатке желания может помочь NIPS 2013 Tutorial от Rob Fergus или даже скачивание призмы на телефон, при недостатке понимания — курс CS231n от Стэнфордского университета).

=== Темы вводных занятий ===
Знакомство с простыми рекуррентными и сверточными архитектурами для классификации текстов, их реализация на keras.

=== Критерии оценки ===
4-5: реализация всех одиночных моделей, подбор параметров для них, репозиторий/ноутбуки/отчет
6-7: инициализация предобученными эмбеддингами для моделей с таковыми
8-10: построение оптимального ансамбля из рассмотренных моделей

=== Похожие проекты ===

=== Контактная информация ===
Евгений Нижибицкий (e.nizhibitsky@rambler-co.ru)

Классификация соц-дем показателей с помощью нейронных сетей (командный проект)

2016-08-31T08:02:05Z

Nizhib: Новая страница, с помощью формы Новый_командный_проект

{{Карточка_командного_проекта
|name=Классификация соц-дем показателей с помощью нейронных сетей
|company=Rambler&Co
|semester=Осень 2016
|course=3
|number_of_students=2-3
|categorize=yes
}}

=== Что это за проект? ===
Нейронные сети уже несколько лет как зарекомендовали себя в качестве «серебряной пули» во многих задачах машинного обучения, особенно связанных с классификацией изображений или текстов.

Сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN, в частности LSTM) — две популярные архитектуры, позволяющие добиться высокого качества в задачах классификации документов, которые задействуют принципиально разные
подходы к пониманию текстов на естественном языке. В качестве примеров развития и комбинирования этих подходов уже появились Bi-Directional LSTM, C-LSTM и другие.

В качестве задания предлагается поэкспериментировать с классификацией пользователей интернета на основе текстов — заголовков страниц, которые они посещают. При этом предлагается рассмотреть несколько подходов последних лет.

=== Чему научатся студенты? Что самое интересное в проекте? ===
Ознакомление со state-of-the-art исследованиями в области классификации текстов на естественном языке.

Возможность попробовать себя в роли Data Scientist'а, спускающего эти исследования с небес академической науки на землю промышленного применения на реальных данных.

=== Организация работы (Как студенты будут работать в команде?) ===
На каждом из этапов легко распределять несколько моделей/путей улучшения внутри команды.

После каждого из этапов (одиночные модели/эмбеддинги/анасамбли) необходимо получить одобрение для перехода на следующий.

=== Компоненеты (Из каких частей состоит проект?) ===
1. Ознакомление со статьями по классификации текстов последних лет:
• CNN (1408.5882, 1502.01710)
• LSTM (1503.04069, 1510.03753)
• CharCNN (1509.01626)
• C-LSTM (1511.08630)
• Bi-directional LSTM (1510.03753)

2. Реализация соответствующих архитектур на keras, подбор оптимальных параметров.

3. При наличии эмбеддинга в моделях изучение различных сценариев (см. 1408.5882):
• Обучение эмбеддинга с нуля
• Инициализция готовыми word2vec моделями и дообучение
• Фиксированный эмбеддинг готовыми word2vec моделями
• Комбинирование фиксированного и дообучаемого эмбеддинга

4. Построение ансамблей из моделей выше (см. 1510.03753).

5. Отчет/ноутбуки/репозиторий со всеми проведенными исследованиями и кодом для них.

=== Какие будут использоваться технологии? ===
theano/tensorflow + keras, GPU-вычисления на предоставляемых ресурсах

=== Какие начальные требования? ===
Знание питона на уровне, достаточном для изучения новой библиотеки по sphinx-документации и github-коду :)

Базовое знание об устройстве нейронных сетей, желание разобраться в их современных вариациях (при недостатке желания может помочь NIPS 2013 Tutorial от Rob Fergus или даже скачивание призмы на телефон, при недостатке понимания — курс CS231n от Стэнфордского университета).

=== Темы вводных занятий ===
Знакомство с простыми рекуррентными и сверточными архитектурами для классификации текстов, их реализация на keras.

=== Критерии оценки ===
4-5: реализация всех одиночных моделей, подбор параметров для них, репозиторий/ноутбуки/отчет
6-7: инициализация предобученными эмбеддингами для моделей с таковыми
8-10: построение оптимального ансамбля из рассмотренных моделей

=== Похожие проекты ===

=== Контактная информация ===
Евгений Нижибицкий (e.nizhibitsky@rambler-co.ru)