Глубокое машинное обучение (онлайн-учебник)
Материал из MachineLearning.
(Новая: Китов В.В. [https://deepmachinelearning.ru/ Глубокое машинное обучение], 2024, онлайн-учебник. == Аннотация == Онлайн-уче...) |
(→Аннотация) |
||
| Строка 2: | Строка 2: | ||
== Аннотация == | == Аннотация == | ||
| - | Онлайн-учебник по машинному обучению и глубокому обучению (нейросетям) на основе курсов "Методы машинного обучения" и "Глубокое машинное обучение", читаемых на факультете ВМК МГУ им. Ломоносова. | + | [https://deepmachinelearning.ru/ '''Онлайн-учебник по машинному обучению и глубокому обучению (нейросетям)'''] на основе курсов "Методы машинного обучения" и "Глубокое машинное обучение", читаемых на факультете ВМК МГУ им. Ломоносова. |
[https://deepmachinelearning.ru/docs/Machine-learning/book-title Первая часть учебника] описывает весь процесс построения моделей машинного обучения: | [https://deepmachinelearning.ru/docs/Machine-learning/book-title Первая часть учебника] описывает весь процесс построения моделей машинного обучения: | ||
| Строка 18: | Строка 18: | ||
Рассматривается обработка табличных данных, последовательностей, текстов и изображений с помощью нейросетей. | Рассматривается обработка табличных данных, последовательностей, текстов и изображений с помощью нейросетей. | ||
Описываются основные нейросетевые архитектуры, такие как многослойный персептрон и свёрточная нейросеть, изучаются методы эффективной настройки глубоких нейросетевых моделей. | Описываются основные нейросетевые архитектуры, такие как многослойный персептрон и свёрточная нейросеть, изучаются методы эффективной настройки глубоких нейросетевых моделей. | ||
| - | |||
== Ссылки == | == Ссылки == | ||
Версия 10:19, 15 января 2025
Китов В.В. Глубокое машинное обучение, 2024, онлайн-учебник.
Аннотация
Онлайн-учебник по машинному обучению и глубокому обучению (нейросетям) на основе курсов "Методы машинного обучения" и "Глубокое машинное обучение", читаемых на факультете ВМК МГУ им. Ломоносова.
Первая часть учебника описывает весь процесс построения моделей машинного обучения:
- постановка и формализация задачи
- подготовка данных
- выбор модели и подбор гиперпараметров
- оценка качества и интерпретация результатов
В ней рассматриваются методы классического машинного обучения: метрические методы, линейные модели, деревья решений. Особое внимание уделяется построению прогнозов, используя не одну а композицию разных моделей (ансамбль). Рассматриваются популярные методы построения ансамблей моделей, такие как бэггинг, метод случайных подпространств, случайный лес, особо случайные деревья и бустинг. В конце учебника рассматриваются подходы к интерпретации настроенных моделей машинного обучения и полученных с их помощью прогнозов.
Вторая часть учебника посвящена глубокому обучению, то есть использованию нейросетей в задачах распознавания и прогнозирования.
Рассматривается обработка табличных данных, последовательностей, текстов и изображений с помощью нейросетей. Описываются основные нейросетевые архитектуры, такие как многослойный персептрон и свёрточная нейросеть, изучаются методы эффективной настройки глубоких нейросетевых моделей.
