2023-03-01 Meeting 7

Apjoms:

• 50% - 4 nedēļām - 25

• 75% - 6 nedēļām - 40

• 50-80 lpp

  • Ievads (bez apakš nodaļām) - 15 lpp

    • strukturēts tā, lai interesantās jēgpilnās daļas ir sākumā - source of uncertainty - Bildes - 3 lpp

    • Atsaukties uz pamat-teoriju, bet neaprakstīt - data processing, modelis, loss func, backprop, optimizer, metric, overfitting.. (katru pieminam 2-3 teikumi + atsauce) - 3lpp

    • Rīki pētījumā - modeļi - BN, BBP, MC Dropout - 3lpp * 3

  • Metodoloģija - 15 lpp

    • Apmācību un testēšanas protokls

      • Shēma kā tiks apmācīts un testēts rezultāts

    • Datu kopa

      • Concrete dataset - regresija, 1000 ieraksti, 8 inputs (Iezīmes) - 1 output

      • Netīras Klasifikācijas datu kopas -

      • Datu Paraugi, Histogrammas pēc klasem ut

    • Metrika

    • Specifiskas modeļu arhitektūras

      • Modeļu shemas

  • Rezultāti - 10 lpp

    • Tabulas

      • Salīdzināt pēc ātrumā, pēc resursu apjoma, pēc līdzbas savā starpā

      • Atrast dataset ar zem

        • https://paperswithcode.com

        • https://www.perplexity.ai (https://www.youtube.com/watch?v=QBmbmDHxexE)

        • Jebkuram tīram dataset mix labels 0%, 10%, 20%, 30% => Vai variancē parādās attiecība STD

        • popular tabular classification datasets

          • Mushroom dataset[1], the Swedish Auto Insurance Dataset[2], the TNCR Dataset (Table Net Detection and Classification Dataset)[3], the Palmer Penguin Dataset[4], and the Credit Card Fraud Detection dataset on Kaggle[5].

      • 

    • Loss / metric plots

    • Candle / Distribution plots

    • Conf matrices

  • Tālākie pētījumi - 1lpp

  • Secinājumi - 1lpp

• Nē

  • Nerakstīt tikai teoriju / esošo metožu aprakstus

• Jā

  • SLR - Līdzīgie darbi

  • Metodoloģija

  • Datu kopas

  • Metrikas

  • Konkrēti modeļu apraksti, kuri tiek salīdzināti