Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
Строка 25: | Строка 25: | ||
==Первый семестр== | ==Первый семестр== | ||
- | == | + | ==Введение в машинное обучение.=== |
+ | [https://yadi.sk/i/E49X115_3MzQ9d Презентация]. | ||
- | [ | + | ===Метод ближайших центроидов и K ближайших соседей.=== |
+ | [https://yadi.sk/i/kba2MR_S3MzRk7 Презентация]. | ||
- | [ | + | ===Другие метрические методы.=== |
+ | [https://yadi.sk/i/sufau1_m3MzRpS Презентация]. | ||
- | === | + | ===Оптимизация метода K ближайших соседей.=== |
+ | [https://yadi.sk/i/WfCaxudg3MzRtH Презентация]. | ||
- | [ | + | ==Сложность моделей. Подготовка данных.=== |
+ | [https://yadi.sk/i/K4g9GqRP3MzRyv Презентация]. | ||
- | [ | + | ===Метрики близости.=== |
+ | [https://yadi.sk/i/UAUPA_9q3MzS4E Презентация]. | ||
- | + | ===Метод главных компонент.=== | |
+ | + вывод решения | ||
- | + | [https://yadi.sk/i/wMzOw5EK3MzSGC Презентация]. | |
- | + | [https://yadi.sk/i/k84Lfe9F3MzSDD Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.] | |
- | [ | + | ===Линейная регрессия.=== |
+ | [https://yadi.sk/i/z0t1ss403MzSKn Презентация]. | ||
- | === | + | ===Линейная классификация.=== |
+ | [https://yadi.sk/i/vK_gVUPP3MzSWr Презентация]. | ||
- | + | ===Оценивание классификаторов.=== | |
- | + | [https://yadi.sk/i/ElwK1dNt3MzSaz Презентация]. | |
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | ===Оценивание | + | |
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
- | + | ||
===Метод опорных векторов.=== | ===Метод опорных векторов.=== | ||
- | + | + вывод двойственной задачи | |
- | + | [https://yadi.sk/i/SgULlBt83MzSf3 Презентация]. | |
- | + | ||
- | === | + | ===Обобщения методов через ядра Мерсера.pdf.=== |
- | + | + двойственная задача для гребневой регрессии | |
- | + | [https://yadi.sk/i/i2_1Kp5s3MzSuC Презентация]. | |
- | + | ===Отбор признаков=== | |
+ | [https://yadi.sk/i/Vz1QD-GB3MzT3e Презентация]. | ||
- | + | ===Бйесовское решающее правило. Генеративные и дискриминативные модели.=== | |
+ | [https://yadi.sk/i/2ouj6b8S3MzT66 Презентация]. | ||
- | + | ===Смещение и дисперсия моделей. Статистическая теория переобучения.=== | |
+ | [https://yadi.sk/i/7etNZyEY3MzT9L Презентация]. | ||
- | + | ===Решающие деревья.=== | |
+ | [https://yadi.sk/i/O_ZKNN2J3MzTBf Презентация]. | ||
- | === | + | ===Ансамбли прогнозирующих алгоритмов.=== |
- | [ | + | [https://yadi.sk/i/omYktp5J3MzTEZ Презентация]. |
- | + | ||
- | + | ||
- | + | ||
==Второй семестр== | ==Второй семестр== | ||
- | |||
- | |||
- | |||
===Бустинг.=== | ===Бустинг.=== |
Версия 16:14, 18 сентября 2017
Курс посвящен алгоритмам машинного обучения (machine learning), которые сами настраиваются на известных данных, выделяя их характерную структуру и взаимосвязи между ними, для их прогнозирования, анализа, компактного описания и визуализации. Основной акцент курса сделан на задачах предсказания дискретных величин (классификация) и непрерывных величин (регрессия), хотя в курсе также рассматриваются смежные области - эффективное снижение размерности пространства, выделение наиболее значимых признаков для предсказания, методы оценивания и сравнения вероятностных распределений, рекомендательные системы и планирование экспериментов.
Лектор: Виктор Китов
Семинарист: Евгений Соколов
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, теории вероятностей, математической статистики и методов оптимизации. Практические задания должны выполняться с использованием языка Python и его научных библиотек.
- Курс во многом пересекается с курсом К.В.Воронцова по машинному обучению, с которым также рекомендуется ознакомиться.
- Анонимные отзывы и комментарии по лекциям можно оставлять здесь.
Программа курса
Первый семестр
Введение в машинное обучение.=
Метод ближайших центроидов и K ближайших соседей.
Другие метрические методы.
Оптимизация метода K ближайших соседей.
Сложность моделей. Подготовка данных.=
Метрики близости.
Метод главных компонент.
+ вывод решения
Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.
Линейная регрессия.
Линейная классификация.
Оценивание классификаторов.
Метод опорных векторов.
+ вывод двойственной задачи
Обобщения методов через ядра Мерсера.pdf.
+ двойственная задача для гребневой регрессии
Отбор признаков
Бйесовское решающее правило. Генеративные и дискриминативные модели.
Смещение и дисперсия моделей. Статистическая теория переобучения.
Решающие деревья.
Ансамбли прогнозирующих алгоритмов.
Второй семестр
Бустинг.
xgBoost.
Методы отбора признаков.
Свойства выпуклых функций. Неравенство Йенсена.
Расстояние Кульбака-Лейблера, его неотрицательность.