Мета-обучение: на пути к машинному обучению «из коробки» — События Яндекса

МЕНЮ


Искусственный интеллект. Новости
Поиск
Регистрация на сайте

ТЕМЫ


Новости ИИРазработка ИИРабота разума и сознаниеВнедрение ИИРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информации

Авторизация



RSS


RSS новости

Новостная лента форума ailab.ru

2018-06-05 16:32

Семинары

Напоминаем, что открытая лекция про метаобучение от исследователя, руководителя группы теории Глеба Гусева состоится 8 июня в 19:00 в офисе Яндекса.

Зарегистрироваться ещё можно по ссылке: https://ya.cc/3Y-PQ

Вот анонс лекции:

На лекции мы обсудим, как работает градиентный бустинг — основной подход в машинном обучении к задачам с разнородными факторами, созданными вручную, зашумлёнными метками и сложными зависимостями. Мы опишем детали классического алгоритма, расскажем об основных направлениях его дальнейшего развития и перечислим открытые вопросы.

Во второй части доклада мы поговорим об одной из самых актуальных задач современности: о машинном обучении «из коробки». В задачах машинного обучения мы имеем на входе датасет и функцию, которая измеряет качество модели на тесте. На практике 99% успеха зависят от грамотного выбора и настройки следующих компонентов: препроцессинг фичей, алгоритм обучения, значения гиперпараметров. Обычно это требует высокой квалификации и больших временных затрат. Задача метаобучения — автоматизировать этот процесс. Один из возможных подходов — применение методов black-box optimization. Они основаны на многократном вызове алгоритмов обучения с разными возможными компонентами и непосредственном сравнении результатов. В случае большинства реальных задач это требует высоких вычислительных мощностей и, опять же, большого количества времени. Возможная альтернатива — обучить модель, которая «предсказывает» оптимальные компоненты на основе метафичей всех входящих данных (датасет и функция качества). Мы расскажем вам о классических и новых методах решения этой задачи на примере градиентного бустинга на решающих деревьях.

P.S. В прошлом посте про эту лекцию мы допустили ошибку: указали неправильную дату. Простите нас и приходите слушать Глеба в пятницу!


Источник: ya.cc



Поддержи проект ai-news рублем. Машины верят в тебя! >>



Комментарии: