Машинное обучение (курс лекций, В.В.Китов)/2015-2016
Материал из MachineLearning.
| Строка 1: | Строка 1: | ||
[[Категория:Учебные курсы]] | [[Категория:Учебные курсы]] | ||
| + | {{TOCright}} | ||
'''Машинное обучение''' (англ. machine learning) - наука об алгоритмах, которые сами настраиваются на известных данных, выделяя их характерную структуру и взаимосвязи между ними, для их компактного описания, визуализации и последующего предсказания новых аналогичных данных. Наука является сравнительно молодой, поскольку многие алгоритмы автоматической настройки на данных являются вычислительно трудоемкими, и их применение стало возможным только с появлением высокопроизводительных вычислительных средств. Основной акцент курса сделан на задачах предсказания дискретных величин (классификация) и непрерывных величин (регрессия), хотя в курсе также подробно рассматриваются смежные области - эффективное снижение размерности пространства, выделение наиболее значимых признаков для предсказания, методы оценивания и сравнения вероятностных распределений. | '''Машинное обучение''' (англ. machine learning) - наука об алгоритмах, которые сами настраиваются на известных данных, выделяя их характерную структуру и взаимосвязи между ними, для их компактного описания, визуализации и последующего предсказания новых аналогичных данных. Наука является сравнительно молодой, поскольку многие алгоритмы автоматической настройки на данных являются вычислительно трудоемкими, и их применение стало возможным только с появлением высокопроизводительных вычислительных средств. Основной акцент курса сделан на задачах предсказания дискретных величин (классификация) и непрерывных величин (регрессия), хотя в курсе также подробно рассматриваются смежные области - эффективное снижение размерности пространства, выделение наиболее значимых признаков для предсказания, методы оценивания и сравнения вероятностных распределений. | ||
Версия 19:38, 2 сентября 2015
Машинное обучение (англ. machine learning) - наука об алгоритмах, которые сами настраиваются на известных данных, выделяя их характерную структуру и взаимосвязи между ними, для их компактного описания, визуализации и последующего предсказания новых аналогичных данных. Наука является сравнительно молодой, поскольку многие алгоритмы автоматической настройки на данных являются вычислительно трудоемкими, и их применение стало возможным только с появлением высокопроизводительных вычислительных средств. Основной акцент курса сделан на задачах предсказания дискретных величин (классификация) и непрерывных величин (регрессия), хотя в курсе также подробно рассматриваются смежные области - эффективное снижение размерности пространства, выделение наиболее значимых признаков для предсказания, методы оценивания и сравнения вероятностных распределений.
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 и теории вероятностей. Знание математической статистики, методов оптимизации и какого-либо языка программирования желательно, но не обязательно.
Курс во многом опирается на цикл лекций К.В.Воронцова, откуда можно получить дополнительную информацию.
Программа курса
Первый семестр
Основные понятия и примеры прикладных задач.
+Простейший метод ближайших соседей и ближайших центроидов.
Метрические методы регрессии и классификации. RBF-методы.
Методы решающих деревьев.
+MARS, Pruning.
Оценивание моделей. Преобразование score в вероятность.
Классификация линейными методами.
Логистическая регрессия. Метод опорных векторов.
Линейная и нелинейная регрессия.
Кластеризация
Обобщение методов через ядра.
Байесовская теория классификации.
+LDA, QDA.
Разделение смеси распределений. Ядерное сглаживание для оценки плотности.
EM-алгоритм. Мягкая кластеризация.
Отбор признаков и регуляризация.
Линейные методы снижения размерности.
PCA, SVD разложения.
Извлечение признаков и модификация моделей на примерах прикладных задач.
Второй семестр
Нейросети.
Глубинное обучение.
+Различные виды автоэнкодеров.
