Нейронные сети с обучением без учителя
2026LectureКонстантин Вячеславович Воронцов
Нейронные сети с обучением без учителя. Лекция курса «Машинное обучение» К. В. Воронцова. Нейронная сеть Кохонена. Конкурентное обучение, стратегии WTA и WTM.
0
00
Search results for “machine learning”
Categories
40 results
Векторные представления текстов и графов
2026LectureКонстантин Вячеславович Воронцов
Векторные представления текстов и графов. Лекция курса «Машинное обучение» К. В. Воронцова. Векторные представления графов.
0
00
Модели внимания и трансформеры
2026LectureКонстантин Вячеславович Воронцов
Модели внимания и трансформеры. Лекция курса «Машинное обучение» К. В. Воронцова. Задачи обработки и преобразования последовательностей (sequence to sequence).
0
00
Тематическое моделирование
2026LectureКонстантин Вячеславович Воронцов
Тематическое моделирование. Лекция курса «Машинное обучение» К. В. Воронцова. Задача тематического моделирования коллекции текстовых документов. Метод максимума правдоподобия.
0
00
Обучение ранжированию
2026LectureКонстантин Вячеславович Воронцов
Обучение ранжированию. Лекция курса «Машинное обучение» К. В. Воронцова. Постановка задачи обучения ранжированию. Примеры.
0
00
Рекомендательные системы
2026LectureКонстантин Вячеславович Воронцов
Рекомендательные системы. Лекция курса «Машинное обучение» К. В. Воронцова. Задачи коллаборативной фильтрации, транзакционные данные.
0
00
Поиск ассоциативных правил
2026LectureКонстантин Вячеславович Воронцов
Поиск ассоциативных правил. Лекция курса «Машинное обучение» К. В. Воронцова. Понятие ассоциативного правила и его связь с понятием логической закономерности.
0
00
Адаптивные методы прогнозирования
2026LectureКонстантин Вячеславович Воронцов
Адаптивные методы прогнозирования. Лекция курса «Машинное обучение» К. В. Воронцова. Задача прогнозирования временных рядов. Примеры приложений.
0
00
Инкрементное и онлайновое обучение
2026LectureКонстантин Вячеславович Воронцов
Инкрементное и онлайновое обучение. Лекция курса «Машинное обучение» К. В. Воронцова. Задачи инкрементного и онлайнового обучения. Оценивание инкрементного обучения. Кривые обучения.
0
00
Обучение с подкреплением
2026LectureКонстантин Вячеславович Воронцов
Обучение с подкреплением. Лекция курса «Машинное обучение» К. В. Воронцова. Задача о многоруком бандите. Жадные и эпсилон-жадные стратегии. Метод UCB (upper confidence bound).
0
00
Активное обучение
2026LectureКонстантин Вячеславович Воронцов
Активное обучение. Лекция курса «Машинное обучение» К. В. Воронцова. Постановка задачи машинного обучения. Основные стратегии: отбор объектов из выборки и из потока, синтез объектов. Приложения активного обучения.
0
00
Интерпретируемость и объяснимость
2026LectureКонстантин Вячеславович Воронцов
Интерпретируемость и объяснимость. Лекция курса «Машинное обучение» К. В. Воронцова. Интерпретируемость и объяснимость — цели, задачи, основные понятия.
0
00
Теория переобучения
2026LectureКонстантин Вячеславович Воронцов
Теория переобучения. Лекция курса «Машинное обучение» К. В. Воронцова. Задача оценивания вероятности переобучения. Матрица ошибок конечного множества алгоритмов.
0
00
Обзор оптимизационных задач машинного обучения
2026LectureКонстантин Вячеславович Воронцов
Обзор оптимизационных задач машинного обучения. Лекция курса «Машинное обучение» К. В. Воронцова. Обзор оптимизационных задач машинного обучения
0
00
Additive regularization of topic models
2014Journal articleKonstantin Vorontsov, Anna Potapenko
Machine Learning
0
1
@konstantin_vorontsov
Константин Вячеславович Воронцов — профессор РАН, доктор физико-математических наук. Заведующий кафедрой «Математические методы прогнозирования» ВМК МГУ; заведующий лабораторией «Машинное обучение и семантический анализ» Института искусственного интеллекта МГУ; заведующий кафедрой «Машинное обучение и цифровая гуманитаристика» МФТИ; профессор кафедры «Интеллектуальные системы» МФТИ; главный научный сотрудник отдела «Интеллектуальные системы» ВЦ ФИЦ ИУ РАН. Области научных интересов: машинное обучение, комбинаторная теория обобщающей способности, вероятностное тематическое моделирование, анализ текстов. Автор годового курса «Машинное обучение», который читается с 2004 года на кафедре «Интеллектуальные системы» МФТИ, с 2007 года на кафедре ММП ВМК МГУ и с 2009 года в Школе анализа данных Яндекса. Один из идеологов и администраторов ресурса MachineLearning.ru.
Improving the Quality of Machine Translation Using the Reverse Model
2022Journal articleN. A. Skachkov, K. V. Vorontsov
Automation and Remote Control
Machine translation is a natural language text processing task that aims to automatically translate input text from one language into another language. The currently known machine translation models show a fairly high quality of translation between large languages, but for smaller language areas, represented by less data, the problem is still not solved. Different methods are used to deal with various errors in automatic translation systems. This paper discusses approaches that use translation models of reverse language directions and improve consistency between translations of the same text using direct and reverse translation models. The paper presents a general theoretical justification for such methods in terms of solving the likelihood maximization problem and also proposes a method for stable training of modern models using cyclic translations.
0
1
Reranking Hypotheses in Translation Models Using Human Markup
2024Journal articleK. V. Vorontsov, N. A. Skachkov
Journal of Computer and Systems Sciences International
Modern machine translation systems are trained on large volumes of parallel data obtained using heuristic methods of bypassing the Internet. The poor quality of the data leads to systematic translation errors, which can be quite noticeable to humans. To fix such errors, human-based models for reranking hypotheses is introduced in this study. In this paper the use of human markup is shown not only to increase the overall quality of the translation but also to significantly reduce the number of systematic translation errors. In addition, the relative simplicity of human markup and its integration in the model training process opens up new opportunities in the field of domain adaptation of translation models for new domains like online retail.
0
1
Hypotheses re-ranking in translation models using human markup
2024Journal articleK. V. Vorontsov, N. A. Skachkov
Известия Российской академии наук Теория и системы управления
Modern machine translation systems are trained on large volumes of parallel data obtained using heuristic methods of the Internet bypassing. The poor quality of the data leads to systematic translation errors, which can be quite noticeable from the human point of view. To fix such errors a human based models hypotheses re-ranking is introduced in this work. In this paper the use of human markup is shown not only to increase the overall quality of translation, but also to significantly reduce the number of systematic translation errors. In addition, the relative simplicity of human markup and its integration in the model training process opens up new opportunities in the field of domain adaptation of translation models for new domains like online retail.
0
1
RuSciBench: Open Benchmark for Russian and English Scientific Document Representations
2024Journal articleA. Vatolin, N. Gerasimenko, A. Ianina, K. Vorontsov
Doklady Mathematics
Sharing scientific knowledge in the community is an important endeavor. However, most papers are written in English, which makes dissemination of knowledge in countries where English is not spoken by the majority of people harder. Nowadays, machine translation and language models may help to solve this problem, but it is still complicated to train and evaluate models in languages other than English with no or little data in the required language. To address this, we propose the first benchmark for evaluating models on scientific texts in Russian. It consists of papers from Russian electronic library of scientific publications. We also present a set of tasks which can be used to fine-tune various models on our data and provide a detailed comparison between state-of-the-art models on our benchmark.
0
1