|
|
| (79 промежуточных версий не показаны.) |
| Строка 1: |
Строка 1: |
| - | [[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 пересекается с курсом [[Машинное обучение (курс лекций, К.В.Воронцов)|К.В.Воронцова]], с которым также рекомендуется ознакомиться.
| |
| - |
| |
| - | =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-Linear_classification_I.pdf|Скачать презентацию]]<br>
| |
| - | [[media:Kitov-ML-07-Linear_classification_II_2.pdf|Скачать презентацию (продолжение)]]
| |
| - |
| |
| - | ===Линейная и нелинейная регрессия.===
| |
| - | [[media:Kitov-ML-08-Regression.pdf|Скачать презентацию (обновлена 05.11.2015)]]
| |
| - |
| |
| - | ===Обобщение методов через ядра.===
| |
| - | [[media:Kitov-ML-09-Kernel methods.pdf|Скачать презентацию]]
| |
| - |
| |
| - | ===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.
| |
| - | +разложение ожидаемого квадрата ошибки на смещение и дисперсию (bias-variance tradeoff).
| |
| - | '''- было на лекции 26.11.2015.'''
| |
| - |
| |
| - | ===Разделение смеси распределений. Ядерное сглаживание для оценки плотности.===
| |
| - | EM-алгоритм. Мягкая кластеризация.
| |
| - |
| |
| - | ===Кластеризация.===
| |
| - |
| |
| - | ===Линейные методы снижения размерности.===
| |
| - | PCA, SVD разложения.
| |
| - |
| |
| - | ==Второй семестр==
| |
| - |
| |
| - | ===Нейросети.===
| |
| - |
| |
| - | ===Глубинное обучение. ===
| |
| - | +Различные виды автоэнкодеров.
| |
| - |
| |
| - | ===Методы отбора признаков.===
| |
| - |
| |
| - | ===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.===
| |
