Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

'''Машинное обучение''' — курс, читаемый на факультете ВМК Нижегородского гос. университета им. Н.И. Лобачевского. Это односеместровый вводный курс для магистрантов. Основная цель — дать обзор основных методов, используемых в [[машинное обучение|машинном обучении]], развить интуицию студентов для лучшего понимания основных идей, лежащих за этими методами, и привить навыки работы с программным обеспечением, реализующим алгоритмы машинного обучения. Автор курса – Н.Ю. Золотых. Лабораторные работы разработаны А.Н. Половинкиным, Н.Ю. Золотых, С.Н. Чернышовой, Ю.В. Горюновым. Разработка курса поддержана корпорацией [http://www.intel.com Intel]. Кураторы от Intel — Виктор Ерухимов, Игорь Чикалов. ==Лекции== Основные темы лекций: * постановки и примеры задач машинного обучения * [[регрессионный анализ|линейная регрессия]]; * [[метод ближайших соседей]]; * [[дискриминантный анализ]]; * [[логистическая регрессия]]; * [[машина опорных векторов]]; * [[нейронные сети]]; * [[деревья решений]]; * комбинация методов ([[бустинг]], [[баггинг]]); * [[алгоритм «Ожидание–максимизация»]]; * [[скрытые марковские модели]]; * [[байесовы сети]]; * [[методы решения задач кластеризации]]; * основы [[теория Вапника-Червоненкиса|теории Вапника–Червоненкиса]] об обобщающей способности алгоритмов. ==Лабораторные работы== В качестве основной вычислительной среды для проведения лабораторных работ используется [[R]]. Предлагаются следующие лабораторные работы: * основы работы в R; * [[статистический вывод]] и [[проверка гипотез]]; * [[регрессионный анализ|линейная регрессия]]; * [[машина опорных векторов]]; * [[деревья решений|деревья решений для классификации и восстановления регрессии]]; * алгоритмы [[кластеризация|кластеризации]]; * оценивание моделей ([[метод скользящего контроля]], [[бутстрэп]]); * [[бустинг]]. Задания к лабораторным работам включают реализации алгоритмов машинного обучения и/или экспериментальное сравнение таких алгоритмов между собой. Данные для задач взяты из известных коллекций, таких как [http://mlearn.ics.uci.edu/MLRepository.html UCI Machine Learning Repository], [http://lib.stat.cmu.edu Carnegie Mellon University StatLib Collection]. Иногда для иллюстации тонких моментов некоторых алгоритмов используются искусственно сгенерированные данные. ==Конкурсные задания== В рамках курса предусмотрено проведение конкурса на лучшее решение практической задачи машинного обучения. Его правила обычны для проведения подобных соревнований. В начале семестра становится доступной некоторая обучающая выборка. В конце семестра студентам предоставляется возможность проверить построенные ими классификаторы на проверочной выборке. Далее студенты загружают тестовые данные (без значений выходной переменной) и посылают организатором найденные значения выходной переменной. Для выполнения конкурсного задания студенты могут использовать любое программное обеспечение (рекомендуется R). ==Ссылки== * [http://www.uic.nnov.ru/~zny/ml Домашняя страница курса] — конспекты лекций, презентации, описание лабораторных работ и полезные ссылки. [[Категория:Учебные курсы]]

Возврат к странице Машинное обучение (курс лекций, Н.Ю.Золотых).