Математические основы теории прогнозирования (курс лекций)
Материал из MachineLearning.
(+ результаты контрольной 29.06) |
|||
| Строка 1: | Строка 1: | ||
| - | |||
| - | |||
__NOTOC__ | __NOTOC__ | ||
| Строка 20: | Строка 18: | ||
В фамилиях и номерах групп возможны неточности, т.к. почерк не всегда легко разобрать. | В фамилиях и номерах групп возможны неточности, т.к. почерк не всегда легко разобрать. | ||
| - | Представлены результаты с учетом всех переписываний до | + | Представлены результаты с учетом всех переписываний до 29.06. |
{| class="standard" | {| class="standard" | ||
| Строка 57: | Строка 55: | ||
| || Конев || Зимарина || Максименко || || Фионов || | | || Конев || Зимарина || Максименко || || Фионов || | ||
|- | |- | ||
| - | | || Григорян || Ременяк || || || | + | | || Григорян || Ременяк || || || Семеняк || |
|- | |- | ||
| - | | || || Типисова || || || | + | | || || Типисова || || || Судариков || |
|- | |- | ||
| - | | || || Валиев || || || | + | | || || Валиев || || || Лагута || |
|- | |- | ||
|} | |} | ||
Версия 13:37, 29 июня 2012
| Курс посвящен изучению современных методов диагностики и прогнозирования, основанных на машинном обучении, а также современных методов интеллектуального анализа данных. Даётся обзор современных методов распознавания, включая статистические, нейросетевые, комбинаторно-логические, алгебраические модели, модель опорных векторов. Рассматривается основная проблематика методов машинного обучения, включая эффект переобучения. Изучаются вопросы оценки точности классифицирующих правил или прогностических функций. Рассматривается метод ROC анализа. Изучаются методы интеллектуального анализа данных, включая методы кластерного анализа, многомерного шкалирования, а также метод главных компонент. Рассматриваются математические модели анализа надёжности. |
Лектор: д.ф.-м.н. Сенько Олег Валентинович
Контрольная работа
В программе курса предусмотрена письменная контрольная работа. Успешное написание контрольной работы является обязательным условием допуска к экзамену по курсу. При отсутствии допуска студент пишет контрольную работу на экзамене и в случае успеха сдает экзамен на первой пересдаче.
При написании контрольной работы разрешается пользоваться любыми бумажными материалами, а также калькуляторами. Использование электронных устройств (кроме калькуляторов) запрещено.
Список студентов, допущенных к экзамену по результатам контрольной работы
В фамилиях и номерах групп возможны неточности, т.к. почерк не всегда легко разобрать.
Представлены результаты с учетом всех переписываний до 29.06.
| Группа 420 | Группа 421 | Группа 422 | Группа 424 | Группа 425 | Группа 427 | Группа 428 | СФ | Группа не указана |
|---|---|---|---|---|---|---|---|---|
| Костин | Новикова | Пискун | Алейников | Свиридов | Шубин | Тарасевич | Сильдушкина | Долошказин |
| Кисляков | Новоторцев | Глонина | Леонова | Самохина | Фролов | Асташкин | Федосеенко | Путилин |
| Калужин | Акимов | Самойлов | Ветров | Попеско | Луговской | Мордань | Сендеров | |
| Александрычева | Шальнов | Самосадный | Светлов | Переходько | Петушкова | Гомзин | ||
| Банников | Карпухин | Калистратова | Рогова | Пузиков | Ющенко | Синева | ||
| Исламгулов | Меркулов | Артемов | Костарев | Второв | Киров | Ефимов | ||
| Романенков | Батанов | Шилов | Мошкина | Степанов | Федоренко | Устинова | ||
| Куркин | Ерофеев | Плотников | Парамонов | Шариков | Акциперов | Терзи | ||
| Челнокова | Птенцов | Бабак | Копин | Баландюк-Опалинская | Пустовалов | Агаев | ||
| Лисица | Гурьянов | Булгаков | Вайсман | Куприков | Гладкова | Бадретдинов | ||
| Зачесов | Ермишкин | Пояркова | Соколов | Сепевенко | Ушаков | |||
| Сапатов | Жураховский | Лоза | Коцыняк | Шуберт | ||||
| Пироженко | Свирин | Нечаев | Лукин | Дмитриев | ||||
| Сумин | Сорокин | Ростовский | Федотов | Абакумов | ||||
| Самсонов | Журавлев | Мелешкин | Голушко | |||||
| Конев | Зимарина | Максименко | Фионов | |||||
| Григорян | Ременяк | Семеняк | ||||||
| Типисова | Судариков | |||||||
| Валиев | Лагута |
Экзамен
К экзамену допускаются только те студенты, которые успешно справились с контрольной работой. При подготовке к экзамену обратите внимание на теоретический минимум. Отсутствие ответа на любой из вопросов теоретического минимума влечет за собой неудовлетворительную оценку за экзамен. На экзамене при подготовке билета разрешается пользоваться любыми материалами.
Теоретический минимум + список вопросов (PDF,439Кб)
Презентации к лекциям
Программа курса
Различные постановки задач машинного обучения
Постановка задач машинного обучения. Задачи распознавания и прогнозирования числовых переменных по признаковым описаниям. Настройка алгоритмов по выборкам прецедентов. Обучающая выборка. Обобщающая способность. Области использования методов машинного обучения.
Байесовские классификаторы
Верхние пределы точности. Оптимальные прогностические решения и классифицирующие правила. Байесовские классификаторы.
Методы оценки обобщающей способности алгоритмов
Кросс-проверка, скользящий контроль. Проблема переобучения.
Теоретические оценки обобщающей способности
Теория Вапника-Червоненкиса. Трёхкомпонентное разложение обобщённой ошибки.
ROC анализ
Структура распознающего алгоритма. Распознающий оператор и решающее правило. Кривые ROC анализа.
Методы распознавания, используемые в традиционном статистическом анализе
Методы, основанные на теореме Байеса. Восстановление плотностей вероятности: параметрические методы, ядерные методы. Линейный дискриминант Фишера. Метод ближайших соседей.
Множественная линейная регрессия
Оптимизация с помощью метода наименьших квадратов. Свойства оптимальных линейных регрессий.
Методы, основанные на принципе разделения
Линейная машина.
Метод опорных векторов
Линейный классификатор. Гиперплоскость, максимизирующая зазор между классами. Обучение классификатора как задача квадратичного программирования. Получение двойственной задачи для задачи квадратичного программирования. Ядровой переход. Опорные объекты. Настройка параметров метода.
Уменьшение размерности описания данных. Метод главных компонент
Проблема анализа многомерных данных. Метод главных компонент. Выбор размерности редуцированного пространства.
Литература
- Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения, М.: Фазис, 2006. (ISBN 5-7036-0108-8)
- Ветров Д.П., Кропотов Д.А. Байесовские методы машинного обучения, учебное пособие по спецкурсу, 2007 (Часть 1, PDF 1.22МБ; Часть 2, PDF 1.58МБ)
- Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006.
Страницы курса прошлых лет
Ссылки
Машинное обучение (курс лекций, К.В. Воронцов)
Байесовские методы машинного обучения (спецкурс, Д.П. Ветров, Д.А. Кропотов, А.А. Осокин)
