Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
(→Рекомендательные системы.) |
(→Отбор признаков) |
||
(4 промежуточные версии не показаны) | |||
Строка 20: | Строка 20: | ||
* Анонимные отзывы и комментарии по лекциям [https://docs.google.com/forms/d/e/1FAIpQLSeeWRdRVQ82GPyu0FIW5RlWV9NwyWPWSlNBDrMHAHvsfln3aA/viewform можно оставлять здесь.] | * Анонимные отзывы и комментарии по лекциям [https://docs.google.com/forms/d/e/1FAIpQLSeeWRdRVQ82GPyu0FIW5RlWV9NwyWPWSlNBDrMHAHvsfln3aA/viewform можно оставлять здесь.] | ||
- | = | + | =Билеты к экзамену= |
- | + | [https://yadi.sk/i/FI51oCvA3Wfm6R Билеты] | |
=Программа курса= | =Программа курса= | ||
Строка 97: | Строка 97: | ||
===Отбор признаков=== | ===Отбор признаков=== | ||
- | [https://yadi.sk/i/ | + | [https://yadi.sk/i/sp_Jsg9-3XKuCL Презентация]. |
===Многослойный персептрон=== | ===Многослойный персептрон=== | ||
Строка 111: | Строка 111: | ||
[https://yadi.sk/i/oYsPa8953W6Fsj Презентация]. | [https://yadi.sk/i/oYsPa8953W6Fsj Презентация]. | ||
- | [https://yadi.sk/i/60l0YQG93W6G6H Доказательство всех основных свойств]. | + | [https://yadi.sk/i/60l0YQG93W6G6H Доказательство всех основных свойств]. {{важно|— обновление 7.06.2018}}. |
===Рекомендательные системы.=== | ===Рекомендательные системы.=== | ||
Строка 131: | Строка 131: | ||
[https://yadi.sk/i/d0KD1pGT3WN4PC Презентация]. | [https://yadi.sk/i/d0KD1pGT3WN4PC Презентация]. | ||
- | =Рекомендуемые ресурсы по Python= | + | =Дополнительные материалы= |
+ | |||
+ | [https://yadi.sk/i/Z2dLjT0h3Q3UUz Разделение смеси многомерных нормальных распределений] | ||
+ | |||
+ | ===Рекомендуемые ресурсы по Python=== | ||
* Примеры для начинающих: [http://nbviewer.ipython.org/gist/voron13e02/83a86f2e0fc5e7f8424d краткое руководство с примерами по Python 2] | * Примеры для начинающих: [http://nbviewer.ipython.org/gist/voron13e02/83a86f2e0fc5e7f8424d краткое руководство с примерами по Python 2] | ||
* Python from scratch: [http://nbviewer.ipython.org/gist/rpmuller/5920182 A Crash Course in Python for Scientists] | * Python from scratch: [http://nbviewer.ipython.org/gist/rpmuller/5920182 A Crash Course in Python for Scientists] |
Версия 09:12, 7 июня 2018
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.
Билеты к экзамену
Программа курса
Первый семестр
Введение в машинное обучение.
Метод ближайших центроидов и K ближайших соседей.
Другие метрические методы.
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. Смещение и дисперсия моделей.
Бустинг.
Второй семестр
xgBoost.
Байесовское решающее правило. Предположение наивного Байеса. Генеративные и дискриминативные модели. Примеры генеративных моделей.
Ядерно-сглаженные оценки плотности.
Отбор признаков
Многослойный персептрон
Алгоритм обратного распространения ошибки
Применение нейросетей для работы с изображениями
Сингулярное разложение.
Доказательство всех основных свойств. — обновление 7.06.2018.
Рекомендательные системы.
Кластеризация
Обнаружение аномалий
Активное обучение
EM-алгоритм.
Тематическая модель PLSA
Дополнительные материалы
Разделение смеси многомерных нормальных распределений
Рекомендуемые ресурсы по Python
- Примеры для начинающих: краткое руководство с примерами по Python 2
- Python from scratch: A Crash Course in Python for Scientists
- Коллекция интересных IPython ноутбуков
- Лекции Scientific Python
- Книга: Wes McKinney «Python for Data Analysis»
- Официальный сайт
- Научные библиотеки: NumPy, Pandas, SciKit-Learn, Matplotlib.