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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Второй семестр)
(Второй семестр)
Строка 106: Строка 106:
===Рекомендательные системы.===
===Рекомендательные системы.===
[https://yadi.sk/i/vx3ALyzy3WfCPE Презентация]
[https://yadi.sk/i/vx3ALyzy3WfCPE Презентация]
 +
 +
===Стандартные распределения===
 +
[https://yadi.sk/i/u8t6N6garcICng Презентация]
 +
 +
===Смеси распределений===
 +
[https://yadi.sk/i/FlxGC4Zg3Q3UUS Презентация]
===EM-алгоритм===
===EM-алгоритм===
Строка 111: Строка 117:
===Тематическая модель PLSA===
===Тематическая модель PLSA===
-
[https://yadi.sk/i/d0KD1pGT3WN4PC Презентация].
+
[https://yadi.sk/i/d0KD1pGT3WN4PC Презентация]
===Ядерно-сглаженные оценки плотности.===
===Ядерно-сглаженные оценки плотности.===
Строка 121: Строка 127:
===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]
 
===Частичное обучение===
===Частичное обучение===
-
[https://yadi.sk/i/8yi21SL5ig_XHQ Презентация].
+
[https://yadi.sk/i/8yi21SL5ig_XHQ Презентация]
===Активное обучение===
===Активное обучение===

Версия 15:00, 14 декабря 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.


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.

Презентация.

Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.

Линейная регрессия.

Презентация.

Линейная классификация.

Презентация.

Метод опорных векторов.

Презентация. +вывод двойственной задачи SVM

Обобщения методов через ядра Мерсера.

Презентация. + двойственная задача для гребневой регрессии

Оценивание классификаторов.

Презентация.

Решающие деревья.

Презентация.

Ансамбли прогнозирующих алгоритмов. Смещение и дисперсия моделей.

Презентация.

Бустинг.

Презентация.

Усовершенствования бустинга.

Презентация.

Второй семестр

Теория выпуклых функций.

Презентация

Байесовское решающее правило. Предположение наивного Байеса. Генеративные и дискриминативные модели. Примеры генеративных моделей.

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.

Рекомендательные системы.

Презентация

Стандартные распределения

Презентация

Смеси распределений

Презентация

EM-алгоритм

Презентация+вывод для смеси Гауссиан.

Тематическая модель PLSA

Презентация

Ядерно-сглаженные оценки плотности.

Презентация

Кластеризация

Презентация

Обнаружение аномалий

Презентация

Частичное обучение

Презентация

Активное обучение

Презентация

Дополнительные материалы

Разделение смеси многомерных нормальных распределений

Рекомендуемые ресурсы по Python

Личные инструменты