Машинное обучение (англ Machine Learning) — обширный подраздел искусственного интеллекта, математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа, и извл
Основная информация
Машинное обучение (англ Machine Learning) — обширный подраздел искусственного интеллекта, математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа, и извлекающая знания из данных.
Data Mining (рус. добыча данных, интеллектуальный анализ данных, глубинный анализ данных) — собирательное название, используемое для обозначения совокупности методов обнаружения в данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.
Autogenerating Supervised Learning Programs
Сегодня обучение с учителем решает огромное количество задач: от обнаружение спам-писем и предсказания прибыли с акций до сопоставления последовательностей генов заболеваниям. Аналитики при решении таких задач применяют присущие аналитикам систематизированные знания, опыт решения предыдущих задач, интуицию и знания о предметной области, из которой собраны данные.
На этом семинаре мы разберем статью, в которой авторы предлагают автоматизировать построение решения задачи обучения с учителем. Система, решающая эту задачу, строит пайплайны, состоящие из одного или нескольких преобразований над данными и обучение одного из алгоритмов машинного обучения.
Такие пайплайны генерируются моделью, обученной на существующих решениях различных задач обучения с учителем. Предполагается, что таким образом модель может выучить некоторые аналитические знания и собрать богатый опыт решения подобных задач.
Модель способна применять API заранее выбранных библиотек. Причем для добавления новой библиотеки требуется минимум усилий. Также преимуществом данного подхода является высокая скорость работы построения пайплайнов по сравнению с подходами, основанных на переборе.
Докладчик: Ярослав Соколов.
Ссылка: https://research.jetbrains.org/files/...
Weight transport problem: глубокое обучение без градиентного спуска
Широко используемые подходы в глубоком обучении совсем не похожи на то, как обучаются (или могли бы обучаться) нейроны в нашем мозгу. Они полагаются на “weight transport” — нейроны должны передать значения своих весов для обратного распространения ошибки, что, скорее всего, невозможно в головном мозге.
На семинаре мы поговорим о современных решениях, не использующих weight transport, но достигающих схожих с backpropagation результатов на простых задачах.
Докладчик: Игорь Филиппов.
Ссылка на слайды: https://research.jetbrains.org/files/...
KDD 2019 Policy Learning for Malaria Control — Влад Шах-Назаров
Влад Шах-Назаров рассказывает про свой опыт участия в треке по обучению с подкреплением KDD Cup 2019. Какая была задача, какой подход позволил занять высокое место и почему простой random search — это competitive approach to RL и на соревнованиях.
Авторизация
Войти с помощью
Пользователи
