2023-11-08 Meeting #2

 

SLR https://docs.google.com/document/d/15LZH5BLhWzpI81zVQqrr7pUtX12x8cLL4UfNxvXbuKk/edit

Prezentācija: https://docs.google.com/presentation/d/1vGVDeNoYX-_zYPN_n2XGhMoPvaC4Ujjr/edit#slide=id.p1

 

Deep Ansamble Pētījuma virzieni (https://arxiv.org/pdf/1612.01474.pdf)

 

TODO:

  1. izveidot jaunu SLR tabulu izejot no Deep Ansamble

    1. citations: https://www.semanticscholar.org/paper/Simple-and-Scalable-Predictive-Uncertainty-using-Lakshminarayanan-Pritzel/802168a81571dde28f5ddb94d84677bc007afa7b

    2. https://www.semanticscholar.org/paper/Predictive-Uncertainty-Quantification-with-Compound-Kristiadi-Fischer/89afd0a443c979eaa06b398d69a21ef958864c8c

    3. https://arxiv.org/pdf/1902.01080.pdf

  2. Datasets - akciju cenas, laika apstākļi, moleculas

  3. Metrics - kādas

  4. Veikt uzdevumus Deep Learning kursā

 

Tēma: Dziļo ansambļu modeļu salīdzinājums nenoteiktībai tabulārajos datos.

Mērķis: Atkārtot dziļo ansambļu modeļu metodes un notestēt modifikāciju ietekmi uz nenoteiktības noteikšanu tabulārajos datos.

Uzdevumi:

  1. Apgūt dziļajā māšīnmācīšanā balstītās metodes nenoteiktības noteikšanai

  2. Veikt sistemātisko literatūras analīzi

  3. Atrast datu kopas, kuras būtu piemērots nenoteiktu datu klasifikācijai vai regresijai

  4. Atrast un apgūt rādītājus ar kuriem noteikt modeļu veiktspēju

  5. Eksperimentāli salīdzināt priekšapstrādes metodes, lai uzlabotu runas atpazīšanas modeļu rezultātus.

  6. Publicēt rezultātus zinātniskā publikācijā.