Байесовские методы машинного обучения (курс лекций, Д.П. Ветров, Д.А. Кропотов)
Материал из MachineLearning.
м |
(Добавлено расписание занятий) |
||
Строка 11: | Строка 11: | ||
Курс читается студентам ВМиК МГУ, начиная с 2007 года. Курс не требует от студентов дополнительной математической подготовки, выходящей за пределы первых двух курсов университетского образования, все необходимые понятия вводятся в ходе лекций. В ходе чтения курса студенты будут ознакомлены с передним краем научных исследований в теории машинного обучения и существующими проблемами. | Курс читается студентам ВМиК МГУ, начиная с 2007 года. Курс не требует от студентов дополнительной математической подготовки, выходящей за пределы первых двух курсов университетского образования, все необходимые понятия вводятся в ходе лекций. В ходе чтения курса студенты будут ознакомлены с передним краем научных исследований в теории машинного обучения и существующими проблемами. | ||
- | |||
- | |||
== Программа курса == | == Программа курса == | ||
== Расписание занятий == | == Расписание занятий == | ||
+ | В 2009 году курс проходит по четвергам на факультете ВМиК МГУ, в ауд. 777, начало в 16-20. | ||
+ | {| class="standard" | ||
+ | !Дата||Занятие | ||
+ | |- | ||
+ | |10 сентября||Лекция 1 | ||
+ | |- | ||
+ | |17 сентября||Лекция 2 | ||
+ | |- | ||
+ | |1 октября||Лекция 3 | ||
+ | |- | ||
+ | |8 октября||Лекция 4 | ||
+ | |- | ||
+ | |22 октября||Лекция 5 | ||
+ | |- | ||
+ | |29 октября||Лекция 6 | ||
+ | |- | ||
+ | |5 ноября||Лекция 7 | ||
+ | |- | ||
+ | |12 ноября||Лекция 8 | ||
+ | |- | ||
+ | |19 ноября||Лекция 9 | ||
+ | |- | ||
+ | |26 ноября||Лекция 10 | ||
+ | |- | ||
+ | |3 декабря||Лекция 11 | ||
+ | |- | ||
+ | |10 декабря||Лекция 12 | ||
+ | |- | ||
+ | |17 декабря||Экзамен | ||
+ | |- | ||
+ | |} | ||
+ | |||
+ | <!--- | ||
== Литература == | == Литература == | ||
# ''Лапач С. Н. , Чубенко А. В., Бабич П. Н.'' Статистика в науке и бизнесе. — Киев: Морион, 2002. | # ''Лапач С. Н. , Чубенко А. В., Бабич П. Н.'' Статистика в науке и бизнесе. — Киев: Морион, 2002. | ||
Строка 31: | Строка 62: | ||
# ''Вучков И., Бояджиева А., Солаков Е.'' Прикладной линейный регрессионный анализ. — М.: Финансы и статистика, 1987. | # ''Вучков И., Бояджиева А., Солаков Е.'' Прикладной линейный регрессионный анализ. — М.: Финансы и статистика, 1987. | ||
# {{Публикация:Hastie 2001 The Elements of Statistical Learning}} | # {{Публикация:Hastie 2001 The Elements of Statistical Learning}} | ||
- | + | ||
#''Strijov, V., Shakin, V.'' [http://strijov.com/papers/10-v_strijov.pdf Index construction: the expert-statistical method]. // Environmental research, engineering and management 2003. No.4 (26), P.51-55. | #''Strijov, V., Shakin, V.'' [http://strijov.com/papers/10-v_strijov.pdf Index construction: the expert-statistical method]. // Environmental research, engineering and management 2003. No.4 (26), P.51-55. | ||
#''Стрижов В. В., Казакова Т. В.'' [http://strijov.com/papers/stable_idx4zavlab_after_recenz.pdf Устойчивые интегральные индикаторы с выбором опорного множества описаний]. // Заводская лаборатория. Диагностика материалов. 2007 (7). C. 72-76. | #''Стрижов В. В., Казакова Т. В.'' [http://strijov.com/papers/stable_idx4zavlab_after_recenz.pdf Устойчивые интегральные индикаторы с выбором опорного множества описаний]. // Заводская лаборатория. Диагностика материалов. 2007 (7). C. 72-76. | ||
#''Литвак Б. Г.'' Экспертная информация: Методы получения и анализа. – М.: Радио и связь, 1982. – 184 с. | #''Литвак Б. Г.'' Экспертная информация: Методы получения и анализа. – М.: Радио и связь, 1982. – 184 с. | ||
#''Стрижов В. В.'' [http://strijov.com/papers/strijov06precise.pdf Уточнение экспертных оценок с помощью измеряемых данных]. // Заводская лаборатория. Диагностика материалов. 2006 (7). С.59-64. | #''Стрижов В. В.'' [http://strijov.com/papers/strijov06precise.pdf Уточнение экспертных оценок с помощью измеряемых данных]. // Заводская лаборатория. Диагностика материалов. 2006 (7). С.59-64. | ||
- | + | ||
== Ссылки == | == Ссылки == | ||
Строка 44: | Строка 75: | ||
* [http://www.statsoft.ru/home/textbook/glossary Электронный статистический словарь StatSoft] | * [http://www.statsoft.ru/home/textbook/glossary Электронный статистический словарь StatSoft] | ||
- | + | ||
[[Категория:Учебные курсы]] | [[Категория:Учебные курсы]] | ||
---> | ---> |
Версия 10:47, 11 сентября 2009
|
Курс посвящен т.н. байесовским методам машинного обучения (классификации, прогнозирования, восстановления регрессии), которые в настоящее время активно развиваются в мире. Байесовский подход к теории вероятностей является альтернативой классическому частотному подходу. Здесь вероятность интерпретируется как мера незнания, а не как объективная случайность. Простые правила оперирования с вероятностью, такие как формула полной вероятности и формула Байеса, позволяют проводить рассуждения в условиях неопределенности. В этом смысле байесовский подход к теории вероятностей можно рассматривать как обобщение классической булевой логики.
Цели курса:
- Ознакомление с классическими методами обработки данных, особенностями их применения на практике и их недостатками
- Представление современных проблем теории машинного обучения
- Введение в байесовские методы машинного обучения
- Изложение последних достижений в области практического использования байесовских методов
- Напоминание основных результатов из смежных дисциплин (теория кодирования, анализ, матричные вычисления, статистика, линейная алгебра, теория вероятностей, случайные процессы)
Курс читается студентам ВМиК МГУ, начиная с 2007 года. Курс не требует от студентов дополнительной математической подготовки, выходящей за пределы первых двух курсов университетского образования, все необходимые понятия вводятся в ходе лекций. В ходе чтения курса студенты будут ознакомлены с передним краем научных исследований в теории машинного обучения и существующими проблемами.
Программа курса
Расписание занятий
В 2009 году курс проходит по четвергам на факультете ВМиК МГУ, в ауд. 777, начало в 16-20.
Дата | Занятие |
---|---|
10 сентября | Лекция 1 |
17 сентября | Лекция 2 |
1 октября | Лекция 3 |
8 октября | Лекция 4 |
22 октября | Лекция 5 |
29 октября | Лекция 6 |
5 ноября | Лекция 7 |
12 ноября | Лекция 8 |
19 ноября | Лекция 9 |
26 ноября | Лекция 10 |
3 декабря | Лекция 11 |
10 декабря | Лекция 12 |
17 декабря | Экзамен |