Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
(→Выпуклые функции) |
(→Второй семестр) |
||
Строка 91: | Строка 91: | ||
===Выпуклые функции=== | ===Выпуклые функции=== | ||
[https://yadi.sk/i/NhBsfkgwqEbq6A Презентация] | [https://yadi.sk/i/NhBsfkgwqEbq6A Презентация] | ||
- | |||
- | |||
- | |||
===Визуализация сверточных нейросетей=== | ===Визуализация сверточных нейросетей=== | ||
Строка 104: | Строка 101: | ||
===Смеси распределений=== | ===Смеси распределений=== | ||
[https://yadi.sk/i/FlxGC4Zg3Q3UUS Презентация] | [https://yadi.sk/i/FlxGC4Zg3Q3UUS Презентация] | ||
- | |||
- | |||
[https://yadi.sk/i/Z2dLjT0h3Q3UUz Разделение смеси многомерных нормальных распределений] | [https://yadi.sk/i/Z2dLjT0h3Q3UUz Разделение смеси многомерных нормальных распределений] | ||
+ | ===Тематические модели=== | ||
+ | [https://yadi.sk/i/ySqnbCn4XVlASw Презентация] | ||
+ | |||
+ | [https://yadi.sk/i/d0KD1pGT3WN4PC Вывод EM для PLSA] | ||
===Сингулярное разложение.=== | ===Сингулярное разложение.=== | ||
Строка 114: | Строка 113: | ||
[https://yadi.sk/i/60l0YQG93W6G6H Доказательство всех основных свойств]. | [https://yadi.sk/i/60l0YQG93W6G6H Доказательство всех основных свойств]. | ||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
===Ядерно-сглаженные оценки плотности.=== | ===Ядерно-сглаженные оценки плотности.=== | ||
Строка 132: | Строка 122: | ||
===Обнаружение аномалий=== | ===Обнаружение аномалий=== | ||
[https://yadi.sk/i/K2EpGFqD3Q3UZM Презентация] | [https://yadi.sk/i/K2EpGFqD3Q3UZM Презентация] | ||
+ | |||
+ | ===Рекомендательные системы.=== | ||
+ | [https://yadi.sk/i/vx3ALyzy3WfCPE Презентация] | ||
===Активное обучение=== | ===Активное обучение=== | ||
Строка 141: | Строка 134: | ||
===Частичное обучение=== | ===Частичное обучение=== | ||
[https://yadi.sk/i/8yi21SL5ig_XHQ Презентация] | [https://yadi.sk/i/8yi21SL5ig_XHQ Презентация] | ||
- | |||
- | |||
===Рекомендуемые ресурсы по Python=== | ===Рекомендуемые ресурсы по Python=== |
Версия 04:35, 16 мая 2019
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
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.
Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.
Линейная регрессия.
Линейная классификация.
Метод опорных векторов.
Презентация. +вывод двойственной задачи SVM
Обобщения методов через ядра Мерсера.
Презентация. + двойственная задача для гребневой регрессии
Оценивание классификаторов.
Решающие деревья.
Ансамбли прогнозирующих алгоритмов. Смещение и дисперсия моделей.
Бустинг.
Усовершенствования бустинга.
Второй семестр
Байесовское решающее правило. Предположение наивного Байеса. Генеративные и дискриминативные модели. Примеры генеративных моделей.
Отбор признаков
Выпуклые функции
Визуализация сверточных нейросетей
Задача переноса стиля - онлайн, оффлайн методы
EM-алгоритм
Смеси распределений
Разделение смеси многомерных нормальных распределений
Тематические модели
Сингулярное разложение.
Доказательство всех основных свойств.
Ядерно-сглаженные оценки плотности.
Кластеризация
Обнаружение аномалий
Рекомендательные системы.
Активное обучение
Нелинейное снижение размерности
Частичное обучение
Рекомендуемые ресурсы по Python
- Примеры для начинающих: краткое руководство с примерами по Python 2
- Python from scratch: A Crash Course in Python for Scientists
- Коллекция интересных IPython ноутбуков
- Лекции Scientific Python
- Книга: Wes McKinney «Python for Data Analysis»
- Официальный сайт
- Научные библиотеки: NumPy, Pandas, SciKit-Learn, Matplotlib.