Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
(→Байесовское решающее правило. Генеративные и дискриминативные модели.) |
(→Второй семестр) |
||
(1 промежуточная версия не показана) | |||
Строка 95: | Строка 95: | ||
===Байесовское решающее правило. Генеративные и дискриминативные модели.=== | ===Байесовское решающее правило. Генеративные и дискриминативные модели.=== | ||
[https://yadi.sk/i/retsLM0q3Q3UK8 Презентация]. | [https://yadi.sk/i/retsLM0q3Q3UK8 Презентация]. | ||
- | пока только Байесовское решающее правило | + | (пока только Байесовское решающее правило) |
--- | --- | ||
Строка 104: | Строка 104: | ||
===Отбор признаков=== | ===Отбор признаков=== | ||
[https://yadi.sk/i/PKogjq-83Q3UJW Презентация]. | [https://yadi.sk/i/PKogjq-83Q3UJW Презентация]. | ||
+ | |||
+ | ===Нейросети=== | ||
+ | [https://yadi.sk/i/PiKDgyWI3Q3UWz Презентация]. | ||
===Сингулярное разложение.=== | ===Сингулярное разложение.=== | ||
[https://yadi.sk/i/t1G18RqC3Q3USa Презентация]. | [https://yadi.sk/i/t1G18RqC3Q3USa Презентация]. | ||
+ | |||
+ | ===Рекомендательные системы.=== | ||
+ | [https://yadi.sk/i/XKGkkJyg3Q3UXx Презентация]. | ||
===Свойства выпуклых функций. Неравенство Йенсена. === | ===Свойства выпуклых функций. Неравенство Йенсена. === | ||
Строка 123: | Строка 129: | ||
===Тематическое моделирование=== | ===Тематическое моделирование=== | ||
[https://yadi.sk/i/WISXKvVF3Q3UWa Презентация]. | [https://yadi.sk/i/WISXKvVF3Q3UWa Презентация]. | ||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
===Кластеризация=== | ===Кластеризация=== |
Версия 18:08, 15 февраля 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.
Экзамен
Консультация перед экзаменом будет 13 января в 13-30 - 15-00 в ауд.П8а. Желающие смогут сдать экзамен досрочно после консультации (желательно предупредить по почте). Оценка за досрочный экзамен не может быть пересдана на основном экзамене.
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. Генеративные и дискриминативные модели.
Презентация. (пока только Байесовское решающее правило)
---
Ядерно-сглаженные оценки плотности.
Отбор признаков
Нейросети
Сингулярное разложение.
Рекомендательные системы.
Свойства выпуклых функций. Неравенство Йенсена.
Расстояние Кульбака-Лейблера, его неотрицательность.
EM-алгоритм.
Смеси распределений, их оценивание через EM-алгоритм
Презентация. Вывод для смеси нормальных распределений.