Просмотр кода страницы Методы оптимизации в машинном обучении 2022

__NOTOC__
Методы оптимизации лежат в основе решения многих задач компьютерных наук. Например, в машинном обучении задачу оптимизации необходимо решать каждый раз при настройке какой-то модели алгоритмов по данным, причём от эффективности решения соответствующей задачи оптимизации зависит практическая применимость самого метода машинного обучения. Данный курс посвящен изучению классических и современных методов решения задач непрерывной оптимизации (в том числе невыпуклых), а также особенностям применения этих методов в задачах оптимизации, возникающих в машинном обучении. Основной акцент в изложении делается на практические аспекты реализации и использования методов. Целью курса является выработка у слушателей навыков по подбору подходящего метода для своей задачи, наиболее полно учитывающего её особенности.

'''Преподаватели''': Кропотов Дмитрий Александрович, Гадецкий Артём, Кодрян Максим.

{| class="wikitable"
 ! Группа !! Расписание !! Инвайт для anytask
 |-
 | align="center"|191 || вторник, лекция в 16:20 (R306), семинар в 17:50 (R208) || align="center"|ctXiGBZ
 |-
 | align="center"|192 || вторник, лекция в 16:20 (R306), семинар в 17:50 (R207) || align="center"|SAWVLsf
 |-
 | align="center"|193 || вторник, лекция в 16:20 (R306), семинар в 18:10 (R307) || align="center"|I2KuKz3
 |-
 | Остальные студенты || вторник, лекция в 16:20 (R306), можно выбрать семинар любой из групп 191, 192, 193 || align="center"|HQtrYHW
 |}

Группа в Telegram для вопросов по курсу: [https://t.me/+n8fxyed6baQ5YWEy ссылка]

Видеозаписи занятий: [https://www.youtube.com/playlist?list=PLEwK9wdS5g0rXdf6CJyPwjoD0HrnzLqLD ссылка]

== Система выставления оценок по курсу ==
В рамках курса предполагается несколько теоретических и практических домашних заданий, а также экзамен в конце курса. Каждое задание и экзамен оцениваются исходя из 10-ти баллов. За задания можно получить дополнительные баллы за выполнение бонусных пунктов. Общая оценка за курс вычисляется по правилу Округление_вверх(0.7*<Оценка_за_семестр> + 0.3*<Оценка_за_экзамен>). <Оценка_за_семестр> = min(10, <Суммарная_оценка_за_задания>*10 / <Максимальная_суммарная_оценка_за_задания_без_бонусов>). Итоговая оценка за курс совпадает с общей оценкой при соблюдении следующих дополнительных условий: 
{| class="wikitable"
 ! Итоговая оценка !! Условия 
 |-
 |align="center"|>=8 || Сданы все задания, кроме одного, экзамен сдан в устном формате на оценку >= 6
 |-
 |align="center"|>=6 || Сданы все задания, кроме двух, экзамен сдан (устно или письменно) на оценку >= 4
 |-
 |align="center"|>=4 || Сданы все задания, кроме трех, экзамен сдан (устно или письменно) на оценку >= 4
 |-
 |}

== Экзамен ==
Экзамен по курсу можно сдавать как в письменном, так и устном формате. В случае сдачи экзамена в письменном формате итоговая оценка по курсу не может быть больше 7. Студенты, находящиеся на дистанционном обучении, сдают экзамен в устном формате в зуме.

[https://docs.google.com/document/d/1W-plJhmcgFiQWTAnaBeh0kLIRd16A75bNyGjYXZjXLQ/edit?usp=sharing Вопросы к устному экзамену + теоретический минимум]

[https://drive.google.com/file/d/1zjeTxRiUAt5bKzajyqzoDEuG6uMAXm97/view?usp=sharing Пример задания на письменном экзамене]

== Правила сдачи заданий ==
Теоретические и практические задания сдаются в систему anytask (инвайт см. выше). В случае наличия мягкого дедлайна задания могут быть присланы после срока сдачи, но с задержкой не более одной недели. При этом начисляется штраф из расчёта 0.5 балла в день. Все задания выполняются самостоятельно. Если задание выполнялось сообща или использовались какие-либо сторонние коды и материалы, то об этом должно быть написано в отчёте. В противном случае «похожие» решения считаются плагиатом и все задействованные студенты (в том числе те, у кого списали) будут сурово наказаны.

Теоретические задания сдаются в anytask в виде сканов или набранных в TeX pdf-файлов. '''ВАЖНО!''' Присылаемые сканы должны быть высокого качества, присылаться одним файлом, в котором все листы идут в правильном порядке. В случае плохого качества сканов или же сдачи в формате, отличном от pdf, проверяющий имеет право поставить за работу 0, не проверяя.

== Лекции и семинары ==
{| class = "wikitable"  
|+
! № п/п
! Дата
! Занятие
! Материалы
|-
| align="center"|1
| 18&nbsp;января&nbsp;2022
| Введение в курс. Скорости сходимости итерационных процессов. Матрично-векторное дифференцирование. || [https://drive.google.com/file/d/1MXENV3Ryy8SgK3_q_lKB5gBG39qcl8_M/view?usp=sharing Конспект]
[https://drive.google.com/file/d/1bNWF262guJHTphptCTYARAsUKRPC9QmS/view?usp=sharing Конспект]
|-
| align="center"|2
| 25&nbsp;января&nbsp;2022
| Классы функций для оптимизации. Точная и неточная одномерная оптимизация || [http://www.machinelearning.ru/wiki/images/4/4d/MOMO16_min1d.pdf Конспект]
|-
| align="center"|3
| 01&nbsp;февраля&nbsp;2022
| Метод градиентного спуска. Разностное дифференцирование. || 
|-
| align="center"|4
| 08&nbsp;февраля&nbsp;2022
| Стандартные матричные разложения. Метод Ньютона. || [https://drive.google.com/file/d/1K9xt0seQ_Oi0UcyziwHibhnr7PorNfqe/view?usp=sharing Презентация по подготовке отчётов]
|-
| align="center"|5
| 15&nbsp;февраля&nbsp;2022
| Метод сопряжённых градиентов. || [https://drive.google.com/file/d/1Ai3ZSuLTb0C6hL5KcAvagzJgKqL1-ySo/view?usp=sharing Презентация]
|-
| align="center"|6
| 22&nbsp;февраля&nbsp;2022
| Безгессианный метод Ньютона. Выпуклые множества. || [https://drive.google.com/file/d/1t9_Uvo-xrVd_nIVUk4CGXGfebHcFtTkw/view?usp=sharing Конспект]
|-
| align="center"|7
| 01&nbsp;марта&nbsp;2022
| Квазиньютоновские методы оптимизации. Выпуклые функции. || [https://drive.google.com/file/d/1glvkT1g6C405RT773KwUdKYRW_bhOKct/view?usp=sharing Конспект]
[http://www.machinelearning.ru/wiki/images/1/10/MOMO18_Seminar6.pdf Конспект]
|-
| align="center"|--
| 08&nbsp;марта&nbsp;2022
| ''Занятия не будет'' || 
|-
| align="center"|8
| 15&nbsp;марта&nbsp;2022
| Задачи условной оптимизации. Теорема Каруша-Куна-Таккера. || [http://www.machinelearning.ru/wiki/images/7/7f/MOMO18_Seminar7.pdf Конспект]
|-
| align="center"|9
| 22&nbsp;марта&nbsp;2022
| Задача линейного программирования. Симплекс-метод. Эквивалентные преобразования задач оптимизации. Стандартные классы выпуклых условных задач оптимизации. || [https://drive.google.com/file/d/1ghnO3gMssx2IS9LaaOgYXbwwq6Pm8ZXY/view?usp=sharing Конспект]
|-
| align="center"|--
| 29&nbsp;марта&nbsp;2022
| ''Занятия не будет'' || 
|-
| align="center"|10
| 05&nbsp;апреля&nbsp;2022
| Метод Ньютона и метод логарифмических барьеров для решения выпуклых задач условной оптимизации. Применение метода лог. барьеров для двойственной задачи в SVM. || [http://www.machinelearning.ru/wiki/images/8/81/MOMO12_ipm.pdf Конспект]<br>
|-
| align="center"|11
| 12&nbsp;апреля&nbsp;2022
| Прямо-двойственные методы для решения выпуклых задач условной оптимизации. || 
|-
| align="center"|12
| 19&nbsp;апреля&nbsp;2022
| Негладкая выпуклая оптимизация. Субградиентный метод. Субдифференциальное исчисление. || [http://www.machinelearning.ru/wiki/images/e/e5/MOMO18_Seminar10.pdf Конспект]
|-
| align="center"|13
| 26&nbsp;апреля&nbsp;2022
| Проксимальные методы оптимизации. Сопряженные функции и нормы. || [http://www.machinelearning.ru/wiki/images/1/15/MOMO18_Seminar8.pdf Конспект]
|-
| align="center"|--
| 3&nbsp;мая&nbsp;2022
| ''Занятия не будет'' || 
|-
| align="center"|--
| 10&nbsp;мая&nbsp;2022
| ''Занятия не будет'' || 
|-
| align="center"|14
| 17&nbsp;мая&nbsp;2022
| Стохастическая оптимизация: методы SGD, SAG, SVRG. Проекции и проксимальные операторы. || 
|-
| align="center"|15
| 24&nbsp;мая&nbsp;2022
| Стохастическая оптимизация: методы SQN, NIM, Adagrad, RMSprop, ADAM. Автоматическое дифференцирование по графу вычислений. || [https://arxiv.org/abs/1401.7020 Статья 1]<br> [https://proceedings.mlr.press/v48/rodomanov16.html Статья 2]
|-
| align="center"|16
| 31&nbsp;мая&nbsp;2022
| Дифференцирование через процесс оптимизации. || [https://arxiv.org/abs/1703.00443 Статья 1]<br> [https://arxiv.org/abs/1502.03492 Статья 2]
|-
|}