Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
(→Обобщения методов через ядра Мерсера) |
(→Записи лекций) |
||
(10 промежуточных версий не показаны.) | |||
Строка 20: | Строка 20: | ||
* Анонимные отзывы и комментарии по лекциям [https://docs.google.com/forms/d/e/1FAIpQLSeeWRdRVQ82GPyu0FIW5RlWV9NwyWPWSlNBDrMHAHvsfln3aA/viewform можно оставлять здесь.] | * Анонимные отзывы и комментарии по лекциям [https://docs.google.com/forms/d/e/1FAIpQLSeeWRdRVQ82GPyu0FIW5RlWV9NwyWPWSlNBDrMHAHvsfln3aA/viewform можно оставлять здесь.] | ||
+ | =Записи удаленных занятий= | ||
+ | Записи некоторых удаленных занятий вы можете посмотреть [https://www.youtube.com/playlist?list=PLVF5PzSHILHS4D2vIDyBmnAsMyLLFc6Ir здесь]. | ||
- | = | + | =Записи лекций= |
- | [https:// | + | [https://youtu.be/73qat9HQUpU ММРО - сингулярное разложение (лекция, 02.04.20)] |
+ | |||
+ | [https://youtu.be/UdosFKwSkDE ММРО - рекомендательные системы (лекция 09.04.2020)] | ||
=Программа курса= | =Программа курса= | ||
- | == | + | ==Осенний семестр== |
===[https://yadi.sk/i/NWVXfPIV3Q3TtD Введение в машинное обучение]=== | ===[https://yadi.sk/i/NWVXfPIV3Q3TtD Введение в машинное обучение]=== | ||
===[https://yadi.sk/i/iBMngr1m3Q3U6A Метод ближайших центроидов и K ближайших соседей]=== | ===[https://yadi.sk/i/iBMngr1m3Q3U6A Метод ближайших центроидов и K ближайших соседей]=== | ||
- | |||
- | |||
===[https://yadi.sk/i/GQ5uO2Jb3Q3U7K Сложность моделей. Подготовка данных]=== | ===[https://yadi.sk/i/GQ5uO2Jb3Q3U7K Сложность моделей. Подготовка данных]=== | ||
Строка 51: | Строка 53: | ||
===[https://yadi.sk/i/Pn-1M3sL3Q3UDq Метод опорных векторов]=== | ===[https://yadi.sk/i/Pn-1M3sL3Q3UDq Метод опорных векторов]=== | ||
- | +вывод двойственной задачи | + | +вывод двойственной задачи классификации опрорных векторов |
===[https://yadi.sk/i/xSEBiikXZsC8bw Обобщения методов через ядра Мерсера]=== | ===[https://yadi.sk/i/xSEBiikXZsC8bw Обобщения методов через ядра Мерсера]=== | ||
- | + | + | + вывод двойственной задача для регрессии опорных векторов |
===[https://yadi.sk/i/UumctWjg3Q3UCY Оценивание классификаторов]=== | ===[https://yadi.sk/i/UumctWjg3Q3UCY Оценивание классификаторов]=== | ||
Строка 66: | Строка 68: | ||
===[https://yadi.sk/i/rDn3NOIFtDc4WQ Усовершенствования бустинга]=== | ===[https://yadi.sk/i/rDn3NOIFtDc4WQ Усовершенствования бустинга]=== | ||
- | == | + | ==Весенний семестр== |
===[https://yadi.sk/i/retsLM0q3Q3UK8 Байесовское решающее правило. Предположение наивного Байеса. Генеративные и дискриминативные модели. Примеры генеративных моделей]=== | ===[https://yadi.sk/i/retsLM0q3Q3UK8 Байесовское решающее правило. Предположение наивного Байеса. Генеративные и дискриминативные модели. Примеры генеративных моделей]=== |
Версия 16:03, 9 апреля 2020
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.
Записи удаленных занятий
Записи некоторых удаленных занятий вы можете посмотреть здесь.
Записи лекций
ММРО - сингулярное разложение (лекция, 02.04.20)
ММРО - рекомендательные системы (лекция 09.04.2020)
Программа курса
Осенний семестр
Введение в машинное обучение
Метод ближайших центроидов и K ближайших соседей
Сложность моделей. Подготовка данных
Метрики близости
Оптимизация метода K ближайших соседей
Метод главных компонент
Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.
Линейная регрессия
Метод стохастического градиентного спуска
Линейная классификация
Метод опорных векторов
+вывод двойственной задачи классификации опрорных векторов
Обобщения методов через ядра Мерсера
+ вывод двойственной задача для регрессии опорных векторов
Оценивание классификаторов
Решающие деревья
Ансамбли прогнозирующих алгоритмов. Смещение и дисперсия моделей
Бустинг
Усовершенствования бустинга
Весенний семестр
Байесовское решающее правило. Предположение наивного Байеса. Генеративные и дискриминативные модели. Примеры генеративных моделей
Отбор признаков
Выпуклые функции
Перенос стиля изображений
EM-алгоритм
Смеси распределений
Разделение смеси многомерных нормальных распределений
Тематические модели
Сингулярное разложение
Доказательство основных свойств.
Ядерно-сглаженные оценки плотности
Кластеризация
Обнаружение аномалий
Рекомендательные системы
Активное обучение
Рекомендуемые ресурсы по Python
- Примеры для начинающих: краткое руководство с примерами по Python 2
- Python from scratch: A Crash Course in Python for Scientists
- Коллекция интересных IPython ноутбуков
- Лекции Scientific Python
- Книга: Wes McKinney «Python for Data Analysis»
- Официальный сайт
- Научные библиотеки: NumPy, Pandas, SciKit-Learn, Matplotlib.