Математические методы распознавания образов (курс лекций, В.В.Китов)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Другие метрические методы.)
(Программа курса)
Строка 80: Строка 80:
[https://yadi.sk/i/JLKQrfUW3Q3UHM Презентация].
[https://yadi.sk/i/JLKQrfUW3Q3UHM Презентация].
-
===xgBoost.===
+
==Второй семестр==
-
[https://yadi.sk/i/IvqkjPxl3Q3UJ4 Презентация].
+
-
 
+
-
[http://www.kdd.org/kdd2016/papers/files/rfp0697-chenAemb.pdf Статья со всеми деталями]
+
===Отбор признаков===
===Отбор признаков===
[https://yadi.sk/i/PKogjq-83Q3UJW Презентация].
[https://yadi.sk/i/PKogjq-83Q3UJW Презентация].
-
(рассмотрены до взаимной информации)
+
===xgBoost.===
 +
[https://yadi.sk/i/IvqkjPxl3Q3UJ4 Презентация].
-
==Второй семестр==
+
[http://www.kdd.org/kdd2016/papers/files/rfp0697-chenAemb.pdf Статья со всеми деталями]
===Байесовское решающее правило. Генеративные и дискриминативные модели.===
===Байесовское решающее правило. Генеративные и дискриминативные модели.===

Версия 20:07, 25 декабря 2017

Содержание

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.


Программа курса

Первый семестр

Введение в машинное обучение.

Презентация.

Метод ближайших центроидов и K ближайших соседей.

Презентация.

Другие метрические методы.

Презентация.

Сложность моделей. Подготовка данных.

Презентация.

Метрики близости.

Презентация.

Оптимизация метода K ближайших соседей.

Презентация.

Метод главных компонент.

+ вывод решения

Презентация.

Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.

Линейная регрессия.

Презентация.

Линейная классификация.

Презентация.

Оценивание классификаторов.

Презентация. +классификатор выпуклой оболочки ROC кривых.

Метод опорных векторов.

+вывод двойственной задачи SVM +support vector regression

Презентация.

Обобщения методов через ядра Мерсера.

+ двойственная задача для гребневой регрессии

Презентация.

Решающие деревья.

Презентация.

Ансамбли прогнозирующих алгоритмов. Смещение и дисперсия моделей.

Презентация.

Бустинг.

Презентация.

Второй семестр

Отбор признаков

Презентация.

xgBoost.

Презентация.

Статья со всеми деталями

Байесовское решающее правило. Генеративные и дискриминативные модели.

Презентация.

Ядерно-сглаженные оценки плотности.

Презентация.

Сингулярное разложение.

Презентация.

Свойства выпуклых функций. Неравенство Йенсена.

Расстояние Кульбака-Лейблера, его неотрицательность.

Презентация.

EM-алгоритм.

Презентация.

Смеси распределений, их оценивание через EM-алгоритм

Презентация. Вывод для смеси нормальных распределений.

Тематическое моделирование

Презентация.

Нейросети

Презентация.

Рекомендательные системы.

Презентация.

Кластеризация

Презентация.

Оценка качества кластеризации

Презентация.

Обнаружение аномалий

Презентация.

Нелинейное снижение размерности

Презентация.

Личные инструменты