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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Второй семестр)
(Экзамен)
(20 промежуточных версий не показаны.)
Строка 21: Строка 21:
 +
=Экзамен=
 +
[https://yadi.sk/i/C9ahiPUTHv-P4A Билеты для экзамена. Весна 2019.]
=Программа курса=
=Программа курса=
Строка 87: Строка 89:
[https://yadi.sk/i/sp_Jsg9-3XKuCL Презентация]
[https://yadi.sk/i/sp_Jsg9-3XKuCL Презентация]
-
===Сингулярное разложение.===
+
===Выпуклые функции===
-
[https://yadi.sk/i/oYsPa8953W6Fsj Презентация]
+
[https://yadi.sk/i/NhBsfkgwqEbq6A Презентация]
-
[https://yadi.sk/i/60l0YQG93W6G6H Доказательство всех основных свойств].
+
===Перенос стиля изображений===
 +
[https://yadi.sk/i/aQANK0T-SCDsRA Презентация]
-
===Многослойный персептрон===
+
===EM-алгоритм===
-
[https://yadi.sk/i/KmCOkZZf3W4tWf Презентация]
+
[https://yadi.sk/i/V1jMp7Ar3Q3UU2 Презентация]
-
 
+
-
===Алгоритм обратного распространения ошибки===
+
-
[https://yadi.sk/i/Mh1hmuud3W4u9M Презентация]
+
-
 
+
-
===Применение нейросетей для работы с изображениями===
+
-
[https://yadi.sk/i/Ch65d5M93W5K9Z Презентация]
+
-
 
+
-
===Векторные представления слов===
+
-
[https://yadi.sk/i/wWFdbFrERMt46w Презентация]
+
-
 
+
-
===Реккурентные сети===
+
-
[https://yadi.sk/i/J_zgcn5f6i3Eag Теория]
+
-
 
+
-
[https://yadi.sk/i/8xH6qyTmeSGEuA Применения]
+
-
 
+
-
===Рекомендательные системы.===
+
-
[https://yadi.sk/i/vx3ALyzy3WfCPE Презентация]
+
-
 
+
-
===Стандартные распределения===
+
-
[https://yadi.sk/i/u8t6N6garcICng Презентация]
+
===Смеси распределений===
===Смеси распределений===
[https://yadi.sk/i/FlxGC4Zg3Q3UUS Презентация]
[https://yadi.sk/i/FlxGC4Zg3Q3UUS Презентация]
-
===EM-алгоритм===
+
[https://yadi.sk/i/Z2dLjT0h3Q3UUz Разделение смеси многомерных нормальных распределений]
-
[https://yadi.sk/i/V1jMp7Ar3Q3UU2 Презентация]+вывод для смеси Гауссиан.
+
-
 
+
-
[https://yadi.sk/i/yomUjQlh3Q3UTU Теория выпуклых функций].
+
-
===Тематическая модель PLSA===
+
===Тематические модели===
[https://yadi.sk/i/ySqnbCn4XVlASw Презентация]
[https://yadi.sk/i/ySqnbCn4XVlASw Презентация]
[https://yadi.sk/i/d0KD1pGT3WN4PC Вывод EM для PLSA]
[https://yadi.sk/i/d0KD1pGT3WN4PC Вывод EM для PLSA]
 +
 +
===Сингулярное разложение.===
 +
[https://yadi.sk/i/oYsPa8953W6Fsj Презентация]
 +
 +
[https://yadi.sk/i/60l0YQG93W6G6H Доказательство основных свойств].
===Ядерно-сглаженные оценки плотности.===
===Ядерно-сглаженные оценки плотности.===
Строка 137: Строка 122:
[https://yadi.sk/i/K2EpGFqD3Q3UZM Презентация]
[https://yadi.sk/i/K2EpGFqD3Q3UZM Презентация]
-
===Частичное обучение===
+
===Рекомендательные системы.===
-
[https://yadi.sk/i/8yi21SL5ig_XHQ Презентация]
+
[https://yadi.sk/i/vx3ALyzy3WfCPE Презентация]
===Активное обучение===
===Активное обучение===
[https://yadi.sk/i/tB-dyX_R3W7LAV Презентация]
[https://yadi.sk/i/tB-dyX_R3W7LAV Презентация]
-
 
-
===Нелинейное снижение размерности===
 
-
[https://yadi.sk/i/b2Dz8kaV3Q3Ubg Презентация]
 
-
 
-
=Дополнительные материалы=
 
-
 
-
[https://yadi.sk/i/Z2dLjT0h3Q3UUz Разделение смеси многомерных нормальных распределений]
 
===Рекомендуемые ресурсы по Python===
===Рекомендуемые ресурсы по Python===

Версия 20:28, 6 июня 2019

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.


Экзамен

Билеты для экзамена. Весна 2019.

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

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

Презентация

Отбор признаков

Презентация

Выпуклые функции

Презентация

Перенос стиля изображений

Презентация

EM-алгоритм

Презентация

Смеси распределений

Презентация

Разделение смеси многомерных нормальных распределений

Тематические модели

Презентация

Вывод EM для PLSA

Сингулярное разложение.

Презентация

Доказательство основных свойств.

Ядерно-сглаженные оценки плотности.

Презентация

Кластеризация

Презентация

Обнаружение аномалий

Презентация

Рекомендательные системы.

Презентация

Активное обучение

Презентация

Рекомендуемые ресурсы по Python

Личные инструменты