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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Второй семестр)
Строка 119: Строка 119:
===EM-алгоритм===
===EM-алгоритм===
-
[https://yadi.sk/i/V1jMp7Ar3Q3UU2 Презентация]+вывод для смеси Гауссиан.
+
[https://yadi.sk/i/V1jMp7Ar3Q3UU2 Презентация]
 +
 
 +
[https://yadi.sk/i/Z2dLjT0h3Q3UUz Разделение смеси многомерных нормальных распределений]
[https://yadi.sk/i/yomUjQlh3Q3UTU Теория выпуклых функций].
[https://yadi.sk/i/yomUjQlh3Q3UTU Теория выпуклых функций].
Строка 146: Строка 148:
[https://yadi.sk/i/tB-dyX_R3W7LAV Презентация]
[https://yadi.sk/i/tB-dyX_R3W7LAV Презентация]
-
=Дополнительные материалы=
 
-
 
-
[https://yadi.sk/i/Z2dLjT0h3Q3UUz Разделение смеси многомерных нормальных распределений]
 
===Рекомендуемые ресурсы по Python===
===Рекомендуемые ресурсы по Python===

Версия 16:06, 14 декабря 2018

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.

Презентация.

Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.

Линейная регрессия.

Презентация.

Линейная классификация.

Презентация.

Метод опорных векторов.

Презентация. +вывод двойственной задачи SVM

Обобщения методов через ядра Мерсера.

Презентация. + двойственная задача для гребневой регрессии

Оценивание классификаторов.

Презентация.

Решающие деревья.

Презентация.

Ансамбли прогнозирующих алгоритмов. Смещение и дисперсия моделей.

Презентация.

Бустинг.

Презентация.

Усовершенствования бустинга.

Презентация.

Второй семестр

Байесовское решающее правило. Предположение наивного Байеса. Генеративные и дискриминативные модели. Примеры генеративных моделей.

Презентация

Отбор признаков

Презентация

Сингулярное разложение.

Презентация

Доказательство всех основных свойств.

Многослойный персептрон

Презентация

Алгоритм обратного распространения ошибки

Презентация

Применение нейросетей для работы с изображениями

Презентация

Векторные представления слов

Презентация

Реккурентные сети

Теория

Применения

Рекомендательные системы.

Презентация

Стандартные распределения

Презентация

Смеси распределений

Презентация

EM-алгоритм

Презентация

Разделение смеси многомерных нормальных распределений

Теория выпуклых функций.

Тематическая модель PLSA

Презентация

Вывод EM для PLSA

Ядерно-сглаженные оценки плотности.

Презентация

Кластеризация

Презентация

Обнаружение аномалий

Презентация

Нелинейное снижение размерности

Презентация

Частичное обучение

Презентация

Активное обучение

Презентация


Рекомендуемые ресурсы по Python

Личные инструменты