• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Аспирантский семинар

Мероприятие завершено

Место: Факультет компьютерных наук, Кочновский проезд, д. 3, ауд. 317
Время: 28 января, 18:30 – 20:00 

Доклады состоятся в рамках научно-исследовательского семинара аспирантской школы по компьютерным наукам.

Первый доклад

Тема:  Порождающие модели распознавания изображений
Докладчик:  Владислав Шахуро, аспирант первого года обучения, департамент больших данных и информационного поска факультета компьютерных наук

Большинство современных успешных методов в компьютерном зрении являются дискриминативными. По пикселям они считают статистики изображения (признаки), подают их на вход алгоритму машинного обучения и по выходам алгоритма делают выводы о высокоуровневом описании сцены. В докладе будет рассмотрена альтернатива данному подходу — порождающий подход. В порождающем подходе ищется трехмерная сцена, которая, будучи отображенной в двумерную картинку, даст изображение, близкое к распознаваемому.

В докладе будет рассказано общее устройство порождающих методов распознавания изображений с пояснениями, как это устроено на практике. 

Второй доклад

Тема: Ленивые методы классификации в машинном обучении
Докладчик:  Юрий Кашницкий, аспирант третьего года обучения, департамент анализа данных и искусственного интеллекта факультета компьютерных наук

В докладе будут рассмотрены методы ленивой классификации, не требующие построения модели. При таком подходе вычисления проводятся для каждого тестового объекта отдельно. Самый известный метод ленивой классификации — это метод ближайших соседей.

Однако в докладе речь пойдет о методах, основанных на классифицирующих ассоциативных правилах. Такие методы позволяют получать небольшой набор интерпретируемых правил, что согласуется с принципом Оккама выбора простых моделей, а также делает модель классификации интерпретируемой, что часто требуется во многих приложениях анализа данных.

Будет представлена адаптация метода ленивой классификации с помощью ассоциативных правил для данных со сложной структурой.