Прикладная статистика в машинном обучении - История изменений

Mednik: Откат правок Seosky (обсуждение) к версии Artonson

2022-08-26T06:36:27Z

Откат правок Seosky (обсуждение) к версии Artonson

Внесённые изменения

Seosky в 23:27, 17 августа 2022

2022-08-17T23:27:33Z

Внесённые изменения

Artonson: /* Система оценок */

2017-12-19T21:39:15Z

Система оценок

← Предыдущая версия		Версия от 21:39, 19 декабря 2017
Строка 48:		Строка 48:
	Накопленная и итоговая оценки округляются арифметически.		Накопленная и итоговая оценки округляются арифметически.

	'''~~Рассчет~~ O_дз'''		'''Расчет O_дз'''

	# За каждую выполенную задачу в задании студент получает ~~соответсвующее~~ число баллов, максимум указан в тексте задания. Они суммируются и получается общее число баллов за конкретное домашнее задание.		# За каждую выполенную задачу в задании студент получает соответствующее число баллов, максимум указан в тексте задания. Они суммируются и получается общее число баллов за конкретное домашнее задание.
	# Рассчитывается взвешенное средние из баллов за все домашние задания. Веса пропорциональны числу баллов за задания.		# Рассчитывается взвешенное средние из баллов за все домашние задания. Веса пропорциональны числу баллов за задания.
	# Полученный результат отобржается в [0;10] делением		# Полученный результат отобржается в [0;10] делением

			'''Бонусные баллы'''

	Бонус: при верном решении всех задач в домашнем задании, студент получает два бонусных балла. Бонусные баллы можно будет конвертировать как плюс-баллы на экзамене. Бонусные баллы суммируются.		Бонус: при верном решении всех задач в домашнем задании, студент получает два бонусных балла. Бонусные баллы можно будет конвертировать как плюс-баллы на экзамене. Бонусные баллы суммируются.

	* Оценка за ~~домашние задания рассчитывается как среднее значение оценок~~ за ~~все выданные домашние задания~~.		'''Расчет O_коллоквиум'''
	* Оценка за самостоятельную работу ~~рассчитывается как среднее значение оценок за все проверочные работы, проведённые на семинарских занятиях.~~
	* В конце семестра разрешается переписать все самостоятельные работы, пропущенные по уважительной причине.		* Оценка за коллоквиум -- это (приведенная в [0; 10]) оценка за первую контрольную работу, проведенную 11.11.2017
	* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в ~~качестве итоговой при условии, что им набрано не менее~~ 10 ~~дополнительных баллов.~~
	* Дополнительные баллы выставляются за ~~выполнение дополнительных частей домашних заданий~~, ~~имеющих повышенную сложность и не участвующих при выставлении накопленной оценки~~.		'''Расчет O_самост'''

			* Оценка за самостоятельную работу -- это (приведенная в [0; 10]) оценка за вторую контрольную работу, проведенную 19.12.2017

			'''Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 2 бонусных баллов.'''

	=== Коллоквиум ===		=== Коллоквиум ===

Artonson: /* Программа курса */

2017-12-19T20:57:50Z

Программа курса

← Предыдущая версия		Версия от 20:57, 19 декабря 2017
Строка 123:		Строка 123:


	8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар)		8. '''Регрессионные модели на основе гауссовских процессов''' (1 лекция, 1 семинар) ''(проведена 25.11.2017)''

	Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.		Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.
Строка 137:		Строка 137:


	10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар)		10. '''Методы планирования экспериментов (Design of Experiments)''' (1 лекция, 1 семинар) ''(проведена 16.12.2017)''

	Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.		Space-filling DoE. Планирование экспериментов для линейных регрессионных моделей.

			[https://www.dropbox.com/s/p7jq1iuwcr1sast/lecture7.pdf?dl=0 Слайды к лекции 7]

			[https://www.dropbox.com/s/kz8vpai8h4hufmb/lecture6_gp_seminar.zip?dl=0 Материалы к семинару после лекции 6]

Artonson: /* Программа курса */

2017-12-08T10:58:16Z

Программа курса

← Предыдущая версия		Версия от 10:58, 8 декабря 2017
Строка 126:		Строка 126:

	Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.		Гауссовские процессы. Прогноз и оценка точности прогноза на основе гауссовских процессов. Оценка параметров ковариационной функции. Регуляризация логарифма правдоподобия. Модель нестационарной ковариационной функции. Регрессия на основе гауссовских процессов как ядерная гребневая регрессия. Глобальная оптимизация на основе гауссовских процессов. Планирование экспериментов на основе гауссовских процессов.

			[https://www.dropbox.com/s/eudus0hqzkf5tg0/lecture6_gp.pdf?dl=0 Слайды к лекции 6]

			[https://www.dropbox.com/s/kz8vpai8h4hufmb/lecture6_gp_seminar.zip?dl=0 Материалы к семинару после лекции 6]

Artonson: /* Программа курса */

2017-11-23T15:23:22Z

Программа курса

← Предыдущая версия		Версия от 15:23, 23 ноября 2017
Строка 115:		Строка 115:
	[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]		[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]

	7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар)
			7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар) ''(проведена 11.11.2017)''

	Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.		Аддитивные модели. Аппроксимационные модели на основе параметрических словарей (сигмоидальные функции, гауссоподобные функции, и т.д.). Построение аппроксимационных моделей на основе параметрических словарей: методы инициализации структуры; методы оценки параметров, учитывающие структуру модели; методы адаптивной регуляризации в процесс оценки параметров модели.

			[https://www.dropbox.com/s/dg273ueqqnkw5wi/lecture5.pdf?dl=0 Слайды к лекции 5]

Artonson: /* Дата выдачи/сдачи дз */

2017-11-23T12:19:05Z

Дата выдачи/сдачи дз

← Предыдущая версия		Версия от 12:19, 23 ноября 2017
Строка 34:		Строка 34:
	* Задание #1 25/09 - 08/10 (см. AnyTask)		* Задание #1 25/09 - 08/10 (см. AnyTask)
	* Задание #2 09/10 - 23/10 (см. AnyTask)		* Задание #2 09/10 - 23/10 (см. AnyTask)
			* Задание #3 13/11 - 27/11 (см. AnyTask, по 6 баллов за задачу, максимальный балл 18)

	=== Система оценок ===		=== Система оценок ===

Artonson: /* О курсе */

2017-11-09T08:19:03Z

О курсе

← Предыдущая версия		Версия от 08:19, 9 ноября 2017
Строка 17:		Строка 17:
	Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw		Чат в telegram для обсуждений: https://t.me/joinchat/A6_aGA2TPu-XFv45Ac4zlw

	Таблица с оценками: ~~TBD~~		Таблица с оценками: http://anytask.org/course/234

	=== Семинары ===		=== Семинары ===
Строка 60:		Строка 60:
	* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.		* Студенту, получившему отличную накопленную оценку, данная оценка может быть выставлена в качестве итоговой при условии, что им набрано не менее 10 дополнительных баллов.
	* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.		* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.


			=== Коллоквиум ===
			Коллоквиум в письменной форме будет проведен '''в субботу 11.11.2017 в аудитории 509 четвертой парой 15.10-16.30''' и будет включать темы:
			* Основные задачи и методы теории статистических выводов;
			* Параметрическое оценивание;
			* Проверка гипотез.

	== Программа курса ==		== Программа курса ==

Artonson в 07:46, 9 ноября 2017

2017-11-09T07:46:33Z

← Предыдущая версия		Версия от 07:46, 9 ноября 2017
Строка 61:		Строка 61:
	* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.		* Дополнительные баллы выставляются за выполнение дополнительных частей домашних заданий, имеющих повышенную сложность и не участвующих при выставлении накопленной оценки.

	=== Программа курса ===		== Программа курса ==
	[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]		[https://www.dropbox.com/s/ztykp2c7nle4r2n/intro.pdf?dl=0 Презентация со введением в курс]

Строка 131:		Строка 131:
	Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.		Снижение размерности в суррогатном моделировании. Постановка задачи снижения размерности. Обзор линейных методов снижения размерности (метод главных компонент, целенаправленное проектирование и т.п.). Обзор локальных и нелинейных методов снижения размерности (метод нелинейных главных компонент, метод локального линейного вложения и т.п.). Новые постановки задач снижения размерности. Аппроксимация многомерных зависимостей как решение задачи снижения размерности.

	=== Материалы ===		== Материалы ==

	1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]		1. [https://web.stanford.edu/~hastie/ElemStatLearn/ Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. Springer, 2001.]

Artonson: /* Программа курса */

2017-11-01T15:34:00Z

Программа курса

← Предыдущая версия		Версия от 15:34, 1 ноября 2017
Строка 101:		Строка 101:


	6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар)		6. '''Непараметрическое оценивание сигналов''' (1 лекция, 1 семинар) ''(проведена 21.10.2017)''

	Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.		Выбор оптимального соотношения между смещением и дисперсией. Гистограммы. Ядерная оценка плотности. Непараметрическая регрессия.

			[https://www.dropbox.com/s/0rqqom8u68kadwc/lecture4.pdf?dl=0 Слайды к лекции 4]

	7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар)		7. '''Нелинейные методы построения регрессионных зависимостей''' (1 лекция, 1 семинар)