Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
(→Второй семестр) |
(→Второй семестр) |
||
Строка 82: | Строка 82: | ||
===Теория выпуклых функций.=== | ===Теория выпуклых функций.=== | ||
- | [https://yadi.sk/i/yomUjQlh3Q3UTU Презентация] | + | [https://yadi.sk/i/yomUjQlh3Q3UTU Презентация] |
===Байесовское решающее правило. Предположение наивного Байеса. Генеративные и дискриминативные модели. Примеры генеративных моделей.=== | ===Байесовское решающее правило. Предположение наивного Байеса. Генеративные и дискриминативные модели. Примеры генеративных моделей.=== | ||
- | [https://yadi.sk/i/retsLM0q3Q3UK8 Презентация] | + | [https://yadi.sk/i/retsLM0q3Q3UK8 Презентация] |
===Ядерно-сглаженные оценки плотности.=== | ===Ядерно-сглаженные оценки плотности.=== | ||
- | [https://yadi.sk/i/-Kg--noU3Q3USA Презентация] | + | [https://yadi.sk/i/-Kg--noU3Q3USA Презентация] |
===Отбор признаков=== | ===Отбор признаков=== | ||
- | [https://yadi.sk/i/sp_Jsg9-3XKuCL Презентация] | + | [https://yadi.sk/i/sp_Jsg9-3XKuCL Презентация] |
===Многослойный персептрон=== | ===Многослойный персептрон=== | ||
- | [https://yadi.sk/i/KmCOkZZf3W4tWf Презентация] | + | [https://yadi.sk/i/KmCOkZZf3W4tWf Презентация] |
===Алгоритм обратного распространения ошибки=== | ===Алгоритм обратного распространения ошибки=== | ||
- | [https://yadi.sk/i/Mh1hmuud3W4u9M Презентация] | + | [https://yadi.sk/i/Mh1hmuud3W4u9M Презентация] |
===Применение нейросетей для работы с изображениями=== | ===Применение нейросетей для работы с изображениями=== | ||
- | [https://yadi.sk/i/Ch65d5M93W5K9Z Презентация] | + | [https://yadi.sk/i/Ch65d5M93W5K9Z Презентация] |
===Сингулярное разложение.=== | ===Сингулярное разложение.=== | ||
- | [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]. | ||
===Рекомендательные системы.=== | ===Рекомендательные системы.=== | ||
- | [https://yadi.sk/i/vx3ALyzy3WfCPE Презентация] | + | [https://yadi.sk/i/vx3ALyzy3WfCPE Презентация] |
===Кластеризация=== | ===Кластеризация=== | ||
- | [https://yadi.sk/i/5Uu3pOIO3W7KtE Презентация] | + | [https://yadi.sk/i/5Uu3pOIO3W7KtE Презентация] |
===Обнаружение аномалий=== | ===Обнаружение аномалий=== | ||
- | [https://yadi.sk/i/K2EpGFqD3Q3UZM Презентация]. | + | [https://yadi.sk/i/K2EpGFqD3Q3UZM Презентация] |
+ | |||
+ | ===Стандартные распределения=== | ||
+ | [https://yadi.sk/i/u8t6N6garcICng Презентация] | ||
+ | |||
+ | ===Смеси распределений=== | ||
+ | [https://yadi.sk/i/FlxGC4Zg3Q3UUS Презентация] | ||
===EM-алгоритм=== | ===EM-алгоритм=== |
Версия 14:55, 14 декабря 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.
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.
Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.
Линейная регрессия.
Линейная классификация.
Метод опорных векторов.
Презентация. +вывод двойственной задачи SVM
Обобщения методов через ядра Мерсера.
Презентация. + двойственная задача для гребневой регрессии
Оценивание классификаторов.
Решающие деревья.
Ансамбли прогнозирующих алгоритмов. Смещение и дисперсия моделей.
Бустинг.
Усовершенствования бустинга.
Второй семестр
Теория выпуклых функций.
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.
Рекомендательные системы.
Кластеризация
Обнаружение аномалий
Стандартные распределения
Смеси распределений
EM-алгоритм
Презентация+вывод для смеси Гауссиан.
Тематическая модель PLSA
Частичное обучение
Активное обучение
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.