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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(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.]
-
=Объявления=
+
=Билеты к экзамену=
-
Лекции 20 апреля '''не будет'''.
+
[https://yadi.sk/i/FI51oCvA3Wfm6R Билеты]
=Программа курса=
=Программа курса=
Строка 97: Строка 97:
===Отбор признаков===
===Отбор признаков===
-
[https://yadi.sk/i/PKogjq-83Q3UJW Презентация].
+
[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

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.

Билеты к экзамену

Билеты

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. Предположение наивного Байеса. Генеративные и дискриминативные модели. Примеры генеративных моделей.

Презентация.

Ядерно-сглаженные оценки плотности.

Презентация.

Отбор признаков

Презентация.

Многослойный персептрон

Презентация.

Алгоритм обратного распространения ошибки

Презентация.

Применение нейросетей для работы с изображениями

Презентация.

Сингулярное разложение.

Презентация.

Доказательство всех основных свойств. — обновление 7.06.2018.

Рекомендательные системы.

Презентация.

Кластеризация

Презентация.

Обнаружение аномалий

Презентация.

Активное обучение

Презентация

EM-алгоритм.

Презентация.

Тематическая модель PLSA

Презентация.

Дополнительные материалы

Разделение смеси многомерных нормальных распределений

Рекомендуемые ресурсы по Python

Личные инструменты