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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Сингулярное разложение.)
(Второй семестр)
Строка 93: Строка 93:
[https://yadi.sk/i/retsLM0q3Q3UK8 Презентация].
[https://yadi.sk/i/retsLM0q3Q3UK8 Презентация].
(пока только Байесовское решающее правило)
(пока только Байесовское решающее правило)
-
 
-
---
 
===Ядерно-сглаженные оценки плотности.===
===Ядерно-сглаженные оценки плотности.===
Строка 112: Строка 110:
===Рекомендательные системы.===
===Рекомендательные системы.===
[https://yadi.sk/i/XKGkkJyg3Q3UXx Презентация].
[https://yadi.sk/i/XKGkkJyg3Q3UXx Презентация].
-
 
-
===Свойства выпуклых функций. Неравенство Йенсена. ===
 
-
Расстояние Кульбака-Лейблера, его неотрицательность.
 
-
 
-
[https://yadi.sk/i/yomUjQlh3Q3UTU Презентация].
 
-
 
-
===EM-алгоритм.===
 
-
[https://yadi.sk/i/V1jMp7Ar3Q3UU2 Презентация].
 
-
 
-
===Смеси распределений, их оценивание через EM-алгоритм===
 
-
 
-
[https://yadi.sk/i/FlxGC4Zg3Q3UUS Презентация].
 
-
[https://yadi.sk/i/Z2dLjT0h3Q3UUz Вывод для смеси нормальных распределений].
 
===Тематическое моделирование===
===Тематическое моделирование===
Строка 140: Строка 125:
===Нелинейное снижение размерности===
===Нелинейное снижение размерности===
[https://yadi.sk/i/b2Dz8kaV3Q3Ubg Презентация].
[https://yadi.sk/i/b2Dz8kaV3Q3Ubg Презентация].
 +
 +
===Свойства выпуклых функций. Неравенство Йенсена. ===
 +
Расстояние Кульбака-Лейблера, его неотрицательность.
 +
 +
[https://yadi.sk/i/yomUjQlh3Q3UTU Презентация].
 +
 +
===EM-алгоритм.===
 +
[https://yadi.sk/i/V1jMp7Ar3Q3UU2 Презентация].
 +
 +
===Смеси распределений, их оценивание через EM-алгоритм===
 +
 +
[https://yadi.sk/i/FlxGC4Zg3Q3UUS Презентация].
 +
[https://yadi.sk/i/Z2dLjT0h3Q3UUz Вывод для смеси нормальных распределений].
=Рекомендуемые ресурсы по Python=
=Рекомендуемые ресурсы по Python=

Версия 14:11, 11 мая 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.

Объявления

Лекции 20 апреля не будет.

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

xgBoost.

Презентация.

Статья со всеми деталями

Байесовское решающее правило. Генеративные и дискриминативные модели.

Презентация. (пока только Байесовское решающее правило)

Ядерно-сглаженные оценки плотности.

Презентация.

Отбор признаков

Презентация.

Нейросети

Презентация. +style transfer, +сегментация

Сингулярное разложение.

Презентация. +доказательство всех основных свойств.

Рекомендательные системы.

Презентация.

Тематическое моделирование

Презентация.

Кластеризация

Презентация.

Оценка качества кластеризации

Презентация.

Обнаружение аномалий

Презентация.

Нелинейное снижение размерности

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.

Рекомендуемые ресурсы по Python

Личные инструменты