Блог

Объем - не менее 50 ст., правила оформления диплома. Защита примерно в середине июня, предзащита - в конце мая.

Все свободны... УРАА

29 января

10-35

"Сдача в сроки контрольной сессии для 71/72 групп, т.е. в пятницу 21.01.2011 в 
16:35 в 103 ауд. Если появится желание сдавать раньше и вас будет больше 2-х 
человек, то можно в эту пятницу, 14.01.2011 в 18:25 примерно там же. Заодно, 
будет второй шанс, если вдруг у кого-то что-то пойдёт не так.
На этот счёт можно скооперироваться с 71/72 группой, они вроде тоже хотели в 
эту пятницу что-то сдавать, и позвонить или написать мне не позднее, чем в 
четверг вечером.
Подойдите пожалуйста к вопросу внимательно и аккуратно, раз уж вам досталась 
такая поблажка. Мне бы очень хотелось, чтобы все сдали с первого раза и без 
эксцессов."

Лежат здесь

http://hdd.tomsk.ru/desk/lhtveqaq

Здравствуйте, уважаемые магистры.
Эт вы, конечно, очень вовремя спохватились, но, как говориться, лучше поздно,
чем никогда. Уж простите, не имею технической возможности сообщать о
колебаниях расписания лично каждому, но так или иначе сообщаю всегда, поэтому
в ваших же интересах как-то обмениваться информацией между собой.

Лабораторные:
1) Алгоритм A*.
Рисуем на экране лабиринт. Мышкой можно натыкать стены, точки начала и конца
маршрута. Использую вышеупомянуый алгоритм найти путь от начала до конца,
нарисовать его. Предусмотреть возможность включать/выключать возможность
движения по диагонали, иметь выбор как минимум из 3-х эвристик: Евклидово,
Манхэттенское расстояние до цели и h=0.
Источник данных: я лично сам буду просить вас нарисовать лабиринты, какие
захочу. Рекомендую сделать человеческий интерфейс, чтобы это рисование не
затягивалось на пол-часа с каждым, как это нередко получается.

2) Деревья решений
По предложенной выборке построить дерево решений, нарисовать его на экране. В
каждом узле дерева должен быть указан атрибут разделения, пороговое значение
(для количественных атрибутов) ну и пути ответвления тоже стоит подписать. Так
же, предусмотреть возможность ввести с клавиатуры значения всех атрибутов,
ваша программа пройдётся по дереву и выдаст свою точку зрения на то, каким
должен быть при таком раскладе целевой атрибут.
Источники данных:
1. Придумать самостоятельно (не менее 10 записей на выборку)
2. Взять понравившееся отсюда:
http://www.google.ru/search?q=machine+learning+repository
3. Взять набор текстов разных авторов. Для каждого текста построить
гистограмму распределения, например, длин слов. Соответственно, атрибутами у
нас будут кол-ва слов длиной 1 буква, 2 буквы, 3 буквы и т.д. Целевым
атрибутом будет имя автора. Тот же фокус можно проделать к кол-вом слов в
предложении.

3) Кластерный анализ
Реализовать алгоритмы K-means и иерархической кластеризации. Для полученной
кластеризации посчитать критерий качества - Силуэт. Для k-means должна быть
возможность указать желаемое кол-во кластеров, либо диапазон, по которому
нужно пройти и выбрать то кол-во, которое даст наилучшую кластеризацию с точки
зрения Силуэта.
Для иерархической кластеризации нужна возможность посмотреть результат на
любом этапе построения дерева кластеризации, начиная от каждая точка сама себе
кластер и до момента, когда все точки - один кластер. Ну, и все промежуточные
состояния ессно. Предусмотреть различные способы вычисления расстояния между
кластерами. Метрики достаточно евклидовой.
Работать всё это должно на точках, рисуемых на экране. Разные кластеры удобнее
всего отображать разным цветом.
Источник данных: случайно генерируемые вашей же программой множества точек.

4) Нейронная сеть прямого распространения
Реализовать многослойный перцептрон, распознающий буквы и цифры.
На экране имеем поле в котором можно мышкой нарисовать букву. Программа должна
её распознать. Размер поля оставляю на ваше усмотрение. Распознавание должно
быть инвариантно к сдвигу и масштабу, как это сделать я рассказывал на лекции.
Инвариантность к повороту _не нужна_, не ломайте с этим себе голову. Хотя,
простые и гениальные идеи конечно же приветствуются.
Обучающая выборка должна представлять из себя набор файлов с изображениями
букв. Должна быть возможность легко менять кол-во различных символов,
участвующих в обучении, указывать желаемую архитектуру сети (кол-во слоёв,
кол-ва нейронов в слоях, если слоёв > 1), в процессе обучения должен строиться
график зависимости ошибки сети от текущего шага обучения. Обучать, понятно,
методом обратного распространения ошибки.
Сразу скажу, что если у вас однослойная сеть не может обучиться внятно
распознавать цифры от 0 до 9, то сдавать можно даже не пытаться. С другой
стороны, неспособность этой маленькой сети различить все символы исландского
алфавита никоим образом не должна вас пугать или удивлять.
Источник данных: нарисованные от руки буквы.


Ко всем заданиям общие требования таковы:
1) Программа должна работать
2) Программа должна работать правильно
3) Вы должны ориентироваться в коде, быть способны быстренько показать мне тот
или иной момент или что-нибудь небольшое поправить
4) Нужно знать основы теории, на которой базируется сдаваемое задание. Даже
если у вас всё работает, но вы не можете сказать почему это работает, для
зачёта этого будет недостаточно.

Если есть вопросы - пишите. Рекомендую пообщаться с теми, кто уже что-то
сдал/сдавал, дабы не наступать на уже хоженые грабли.

Желаю всяческих успехов.

Зачет проставляться будет вместе с бакалаврами.

Где-то в январе. (график проекта до 20 января)

в следующий вторник как обычно :-)

лежит здесь

http://skif.tsu.ru/cyberia_rp.html