Машинное обучение (курс лекций, В.В.Китов)/2015-2016
Материал из MachineLearning.
(→Первый семестр) |
(→Первый семестр) |
||
| Строка 41: | Строка 41: | ||
===Обобщение методов через ядра.=== | ===Обобщение методов через ядра.=== | ||
[[media:Kitov-ML-09-Kernel methods.pdf|Скачать презентацию]] | [[media:Kitov-ML-09-Kernel methods.pdf|Скачать презентацию]] | ||
| - | |||
| - | |||
| - | |||
===Байесовская теория классификации.=== | ===Байесовская теория классификации.=== | ||
| Строка 52: | Строка 49: | ||
+мультиномиальная/биномиальная модель наивного Байеса для классификации текстов и преобразование TF-IDF. | +мультиномиальная/биномиальная модель наивного Байеса для классификации текстов и преобразование TF-IDF. | ||
'''- было на лекции 26.11.2015.''' | '''- было на лекции 26.11.2015.''' | ||
| + | |||
| + | ===Разделение смеси распределений. Ядерное сглаживание для оценки плотности.=== | ||
| + | EM-алгоритм. Мягкая кластеризация. | ||
===Кластеризация=== | ===Кластеризация=== | ||
Версия 16:55, 28 ноября 2015
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 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 К.В.Воронцова, откуда можно получить дополнительную информацию.
Программа курса
Первый семестр
Основные понятия и примеры прикладных задач.
Метрические методы регрессии и классификации.
Скачать презентацию
Скачать презентацию (продолжение)
Методы решающих деревьев.
Скачать презентацию
Скачать презентацию (продолжение)
Оценивание моделей.
Классификация линейными методами.
Скачать презентацию
Скачать презентацию (продолжение)
Линейная и нелинейная регрессия.
Скачать презентацию (обновлена 05.11.2015)
Обобщение методов через ядра.
Байесовская теория классификации.
Байесовский алгоритм классификации, минимизирующий цену. Случай одинаковых цен. Дискриминативные и генеративные модели. Частотный и байесовский подходы к оцениванию неизвестных параметров. Генеративные модели классификации с гауссовскими внутриклассовыми распределениями: модели LDA, QDA и RDA (QDA с регуляризацией), а также виды упрощающих предположений о матрице внутриклассовых ковариаций. - было на лекции 19.11.2015.
Методы работы с пропущенными данными. Метод наивного Байеса.
+мультиномиальная/биномиальная модель наивного Байеса для классификации текстов и преобразование TF-IDF. - было на лекции 26.11.2015.
Разделение смеси распределений. Ядерное сглаживание для оценки плотности.
EM-алгоритм. Мягкая кластеризация.
Кластеризация
Отбор признаков и регуляризация.
Линейные методы снижения размерности.
PCA, SVD разложения.
Второй семестр
Нейросети.
Глубинное обучение.
+Различные виды автоэнкодеров.
