Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
(→Первый семестр) |
(→Программа курса) |
||
Строка 68: | Строка 68: | ||
===Обобщения методов через ядра Мерсера.=== | ===Обобщения методов через ядра Мерсера.=== | ||
- | + | + двойственная задача для гребневой регрессии | |
[https://yadi.sk/i/i2_1Kp5s3MzSuC Презентация]. | [https://yadi.sk/i/i2_1Kp5s3MzSuC Презентация]. | ||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
===Решающие деревья.=== | ===Решающие деревья.=== | ||
Строка 90: | Строка 77: | ||
===Ансамбли прогнозирующих алгоритмов.=== | ===Ансамбли прогнозирующих алгоритмов.=== | ||
[https://yadi.sk/i/omYktp5J3MzTEZ Презентация]. | [https://yadi.sk/i/omYktp5J3MzTEZ Презентация]. | ||
- | |||
- | |||
===Бустинг.=== | ===Бустинг.=== | ||
Строка 101: | Строка 86: | ||
[http://www.kdd.org/kdd2016/papers/files/rfp0697-chenAemb.pdf Статья со всеми деталями] | [http://www.kdd.org/kdd2016/papers/files/rfp0697-chenAemb.pdf Статья со всеми деталями] | ||
- | === | + | ===Отбор признаков=== |
- | [ | + | [https://yadi.sk/i/Vz1QD-GB3MzT3e Презентация]. |
+ | |||
+ | (рассмотрены до взаимной информации) | ||
+ | |||
+ | |||
+ | ==Второй семестр== | ||
+ | |||
+ | ===Байесовское решающее правило. Генеративные и дискриминативные модели.=== | ||
+ | [https://yadi.sk/i/2ouj6b8S3MzT66 Презентация]. | ||
+ | |||
+ | ===Смещение и дисперсия моделей. Статистическая теория переобучения.=== | ||
+ | [https://yadi.sk/i/7etNZyEY3MzT9L Презентация]. | ||
===Свойства выпуклых функций. Неравенство Йенсена. === | ===Свойства выпуклых функций. Неравенство Йенсена. === |
Версия 21:24, 24 ноября 2017
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.
Программа курса
Первый семестр
Введение в машинное обучение.
Метод ближайших центроидов и K ближайших соседей.
Другие метрические методы.
Презентация. -метод Парзеновского окна
Сложность моделей. Подготовка данных.
Метрики близости.
Оптимизация метода K ближайших соседей.
Метод главных компонент.
+ вывод решения
Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.
Линейная регрессия.
Линейная классификация.
Оценивание классификаторов.
Презентация. +классификатор выпуклой оболочки ROC кривых.
Метод опорных векторов.
+вывод двойственной задачи SVM +support vector regression
Обобщения методов через ядра Мерсера.
+ двойственная задача для гребневой регрессии
Решающие деревья.
Ансамбли прогнозирующих алгоритмов.
Бустинг.
xgBoost.
Отбор признаков
(рассмотрены до взаимной информации)
Второй семестр
Байесовское решающее правило. Генеративные и дискриминативные модели.
Смещение и дисперсия моделей. Статистическая теория переобучения.
Свойства выпуклых функций. Неравенство Йенсена.
Расстояние Кульбака-Лейблера, его неотрицательность.