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

Материал из MachineLearning.

Перейти к: навигация, поиск

Содержание

Курс посвящен алгоритмам машинного обучения (machine learning), которые сами настраиваются на известных данных, выделяя их характерную структуру и взаимосвязи между ними, для их компактного описания, визуализации и последующего предсказания новых аналогичных данных. 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.

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 и теории вероятностей. Знание математической статистики, методов оптимизации и какого-либо языка программирования желательно, но не обязательно.

Курс во многом пересекается с курсом К.В.Воронцова по машинному обучению, с которым также рекомендуется ознакомиться.


Программа курса

Первый семестр

Основные понятия и примеры прикладных задач.

Скачать презентацию

Линейные методы снижения размерности.

Сингулярное разложение.

Метрические методы регрессии и классификации.

Методы решающих деревьев.

Оценивание моделей.

Классификация линейными методами.

Линейная и нелинейная регрессия.

Обобщение методов через ядра.

Байесовская теория классификации.

Методы работы с пропущенными данными. Метод наивного Байеса.

Моделирование смесью распределений.

Ядерное сглаживание для оценки плотности.

Кластеризация.

Второй семестр

Ансамбли алгоритмов.

Бустинг.

Нейросети.

Методы отбора признаков.

Нелинейные методы снижения размерности.

Частичное обучение (semi-supervised learning).

Активное обучение.

Рекомендательные системы.

Личные инструменты