Нейронные сети с обучением без учителя
2026ЛекцияКонстантин 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
170
Результаты поиска по запросу «machine learning»
Категории
44 результата
Векторные представления текстов и графов
2026ЛекцияКонстантин Вячеславович Воронцов
Векторные представления текстов и графов. Лекция курса «Машинное обучение» К. В. Воронцова. Векторные представления графов.
0
220
Модели внимания и трансформеры
2026ЛекцияКонстантин Вячеславович Воронцов
Модели внимания и трансформеры. Лекция курса «Машинное обучение» К. В. Воронцова. Задачи обработки и преобразования последовательностей (sequence to sequence).
1
420
Тематическое моделирование
2026ЛекцияКонстантин Вячеславович Воронцов
Тематическое моделирование. Лекция курса «Машинное обучение» К. В. Воронцова. Задача тематического моделирования коллекции текстовых документов. Метод максимума правдоподобия.
0
110
Обучение ранжированию
2026ЛекцияКонстантин Вячеславович Воронцов
Обучение ранжированию. Лекция курса «Машинное обучение» К. В. Воронцова. Постановка задачи обучения ранжированию. Примеры.
0
110
Рекомендательные системы
2026ЛекцияКонстантин Вячеславович Воронцов
Рекомендательные системы. Лекция курса «Машинное обучение» К. В. Воронцова. Задачи коллаборативной фильтрации, транзакционные данные.
0
120
Поиск ассоциативных правил
2026ЛекцияКонстантин Вячеславович Воронцов
Поиск ассоциативных правил. Лекция курса «Машинное обучение» К. В. Воронцова. Понятие ассоциативного правила и его связь с понятием логической закономерности.
0
140
Адаптивные методы прогнозирования
2026ЛекцияКонстантин Вячеславович Воронцов
Адаптивные методы прогнозирования. Лекция курса «Машинное обучение» К. В. Воронцова. Задача прогнозирования временных рядов. Примеры приложений.
0
120
Инкрементное и онлайновое обучение
2026ЛекцияКонстантин Вячеславович Воронцов
Инкрементное и онлайновое обучение. Лекция курса «Машинное обучение» К. В. Воронцова. Задачи инкрементного и онлайнового обучения. Оценивание инкрементного обучения. Кривые обучения.
1
170
Обучение с подкреплением
2026ЛекцияКонстантин 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).
1
540
Активное обучение
2026ЛекцияКонстантин 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
420
Интерпретируемость и объяснимость
2026ЛекцияКонстантин Вячеславович Воронцов
Интерпретируемость и объяснимость. Лекция курса «Машинное обучение» К. В. Воронцова. Интерпретируемость и объяснимость — цели, задачи, основные понятия.
0
190
Теория переобучения
2026ЛекцияКонстантин Вячеславович Воронцов
Теория переобучения. Лекция курса «Машинное обучение» К. В. Воронцова. Задача оценивания вероятности переобучения. Матрица ошибок конечного множества алгоритмов.
1
210
Обзор оптимизационных задач машинного обучения
2026ЛекцияКонстантин Вячеславович Воронцов
Обзор оптимизационных задач машинного обучения. Лекция курса «Машинное обучение» К. В. Воронцова. Обзор оптимизационных задач машинного обучения
1
190
Additive regularization of topic models
2014Журнальная статьяKonstantin Vorontsov, Anna Potapenko
Machine Learning
0
4
Собственные векторы и собственные значения
2026ТеорияSergey
Собственные векторы и значения, характеристическое уравнение, собственные подпространства и диагонализация матриц.
0
170
@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.
Automated Detection of Human Values in Texts: ML Challenges and Performance Benchmarks
2025Статья конференцииOlga Rink, Archil Maysuradze, Artem Fedorov, Roman Ischenko +4
Lecture notes in computer science
0
4
Does Annotating Multi-Spans Improve Classification in Considerable Text Collections?
2024Статья конференцииArchil Maysuradze, Olga Rink, Artem Fedorov, Andrey Tabachenkov +1
The Universal data markup structures empower the annotation of multiple text fragments (multi-spans or multi-fragments furthermore) to analyze large collections of content. Multi-spans have demonstrated helpful in tackling issues related to the programmed discovery of semantic blunders in school essays or human values in social media writings. Labeling multi-fragment information has made it conceivable to form an interdisciplinary classification of human values. This classifier consists of 105 labels grouped into 7 categories, and a corresponding dataset has been created. Subsequent ML experiments have been designed to demonstrate the effectiveness of the multi-spans structure in recovering annotations of human values. The accuracy of the multi-fragment detector is 0.943 for material values and 0.957 for legal awareness (a subject of civic engagement and citizenship).
0
4
Improving the Quality of Machine Translation Using the Reverse Model
2022Журнальная статьяN. 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
4