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:

[[Категория:Учебные курсы]] {{TOCright}} '''Машинное обучение''' (англ. machine learning) - наука об алгоритмах, которые сами настраиваются на известных данных, выделяя их характерную структуру и взаимосвязи между ними, для их компактного описания, визуализации и последующего предсказания новых аналогичных данных. Наука является сравнительно молодой, поскольку многие алгоритмы автоматической настройки на данных являются вычислительно трудоемкими, и их применение стало возможным только с появлением высокопроизводительных вычислительных средств. Основной акцент курса сделан на задачах предсказания дискретных величин (классификация) и непрерывных величин (регрессия), хотя в курсе также подробно рассматриваются смежные области - эффективное снижение размерности пространства, выделение наиболее значимых признаков для предсказания, методы оценивания и сравнения вероятностных распределений. Курс читается студентам 3 курса кафедры «Математические методы прогнозирования» ВМиК МГУ, магистрам, зачисленным на эту кафедру, и не проходивших ранее аналогичных курсов, а также для всех желающих. На материал данного курса опираются последующие кафедральные курсы. По изложению, рассматриваются математические основы методов, лежащие в их основе предположения о данных, взаимосвязи методов между собой и особенности их практического применения. Курс сопровождается [[Машинное обучение (семинары, ВМК МГУ)|семинарами]], раскрывающими дополнительные темы курса и отрабатывающими навыки практического применения рассматриваемых методов. Практическое использование методов машинного обучения в основном будет вестись с использованием языка python и соответствующих библиотек для научных вычислений. От студентов требуются знания линейной алгебры, математического анализа и теории вероятностей. Знание математической статистики, методов оптимизации и какого-либо языка программирования желательно, но не обязательно. Курс во многом опирается на цикл лекций [[Машинное обучение (курс лекций, К.В.Воронцов)|К.В.Воронцова]], откуда можно получить дополнительную информацию. =Программа курса= ==Первый семестр== ===Основные понятия и примеры прикладных задач.=== [[Media:Kitov-ML-01-Introduction.pdf|Скачать презентацию]] ===Метрические методы регрессии и классификации.=== [[Media:Kitov-ML-02-Metric methods.pdf|Скачать презентацию]]<br> [[Media:Kitov-ML-03-Metric methods.pdf|Скачать презентацию (продолжение)]] ===Методы решающих деревьев.=== [[Media:Kitov-ML-04-Decision trees.pdf|Скачать презентацию]]<br> [[Media:Kitov-ML-05-Decision trees.pdf|Скачать презентацию (продолжение)]] ===Оценивание моделей.=== [[media:Kitov-ML-05-Model_evaluation.pdf‎|Скачать презентацию]] ===Классификация линейными методами.=== [[media:Kitov-ML-06-Margin._SGD_method.pdf‎|Скачать презентацию]] ===Линейная и нелинейная регрессия.=== ===Кластеризация=== ===Обобщение методов через ядра.=== ===Байесовская теория классификации.=== +LDA, QDA. ===Разделение смеси распределений. Ядерное сглаживание для оценки плотности.=== EM-алгоритм. Мягкая кластеризация. ===Отбор признаков и регуляризация.=== ===Линейные методы снижения размерности.=== PCA, SVD разложения. ===Извлечение признаков и модификация моделей на примерах прикладных задач.=== ==Второй семестр== ===Нейросети.=== ===Глубинное обучение. === +Различные виды автоэнкодеров. ===Ансамбли алгоритмов.=== ===Ансамбли алгоритмов (продолжение).=== ===Нелинейные методы снижения размерности.=== ===Коллаборативная фильтрация.=== ===Online machine learning.=== ===Теория переобучения и оценки обобщающей способности прогнозирующих алгоритмов.=== ===Оптимизация процесса построения модели. Active learning.=== ===Reinforcement learning.===

Возврат к странице Машинное обучение (курс лекций, В.В.Китов)/2015-2016.