Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
(→Экзамен) |
|||
(10 промежуточных версий не показаны.) | |||
Строка 4: | Строка 4: | ||
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. | 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: | + | Лектор: [https://victorkitov.github.io Виктор Китов] |
Семинарист: [[Участник:EvgSokolov|Евгений Соколов]] | Семинарист: [[Участник:EvgSokolov|Евгений Соколов]] | ||
- | |||
- | |||
- | |||
- | |||
- | |||
- | |||
===О курсе=== | ===О курсе=== | ||
Строка 30: | Строка 24: | ||
=Экзамен= | =Экзамен= | ||
- | [https:// | + | [https://disk.yandex.ru/i/IV-PV5kxhjW1kQ Процедура экзамена и вопросы] |
- | + | ||
=Программа курса= | =Программа курса= | ||
Строка 88: | Строка 81: | ||
[https://yadi.sk/i/Z2dLjT0h3Q3UUz Разделение смеси многомерных нормальных распределений] | [https://yadi.sk/i/Z2dLjT0h3Q3UUz Разделение смеси многомерных нормальных распределений] | ||
- | |||
- | |||
===[https://yadi.sk/i/ySqnbCn4XVlASw Тематические модели]=== | ===[https://yadi.sk/i/ySqnbCn4XVlASw Тематические модели]=== | ||
- | + | (обновлено 01.04.21) | |
- | + | ||
- | + | ||
- | + | ||
===[https://yadi.sk/i/-Kg--noU3Q3USA Ядерно-сглаженные оценки плотности]=== | ===[https://yadi.sk/i/-Kg--noU3Q3USA Ядерно-сглаженные оценки плотности]=== | ||
===[https://yadi.sk/i/5Uu3pOIO3W7KtE Кластеризация]=== | ===[https://yadi.sk/i/5Uu3pOIO3W7KtE Кластеризация]=== | ||
+ | (обновлено 10.04.2021) | ||
===[https://yadi.sk/i/K2EpGFqD3Q3UZM Обнаружение аномалий]=== | ===[https://yadi.sk/i/K2EpGFqD3Q3UZM Обнаружение аномалий]=== | ||
+ | |||
+ | ===[https://yadi.sk/i/oYsPa8953W6Fsj Сингулярное разложение]=== | ||
+ | |||
+ | [https://yadi.sk/i/60l0YQG93W6G6H Доказательство основных свойств]. | ||
===[https://yadi.sk/i/vx3ALyzy3WfCPE Рекомендательные системы]=== | ===[https://yadi.sk/i/vx3ALyzy3WfCPE Рекомендательные системы]=== | ||
===[https://yadi.sk/i/tB-dyX_R3W7LAV Активное обучение]=== | ===[https://yadi.sk/i/tB-dyX_R3W7LAV Активное обучение]=== | ||
- | |||
- | |||
===[https://yadi.sk/i/8yi21SL5ig_XHQ Частичное обучение]=== | ===[https://yadi.sk/i/8yi21SL5ig_XHQ Частичное обучение]=== | ||
- | + | ===[https://yadi.sk/i/b2Dz8kaV3Q3Ubg Нелинейное снижение размерности]=== | |
+ | [https://ru.wikipedia.org/wiki/%D0%A1%D1%82%D0%BE%D1%85%D0%B0%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B5_%D0%B2%D0%BB%D0%BE%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5_%D1%81%D0%BE%D1%81%D0%B5%D0%B4%D0%B5%D0%B9_%D1%81_t-%D1%80%D0%B0%D1%81%D0%BF%D1%80%D0%B5%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5%D0%BC Метод t-SNE ] | ||
===Рекомендуемые ресурсы по Python=== | ===Рекомендуемые ресурсы по Python=== |
Текущая версия
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
О курсе
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
Осенний семестр
Введение в машинное обучение
Метод ближайших центроидов и K ближайших соседей
Сложность моделей. Подготовка данных
Метрики близости
Оптимизация метода K ближайших соседей
Линейная регрессия и ее обобщения
Метод стохастического градиентного спуска
Линейная классификация
Оценивание классификаторов
Метод опорных векторов
+вывод двойственной задачи для классификации опорных векторов
Обобщения методов через ядра Мерсера
+начало доказательства, что ridge-регрессия допускает обобщение через ядра
Решающие деревья
Ансамбли прогнозирующих алгоритмов. Смещение и дисперсия моделей
Бустинг
Усовершенствования бустинга
Метод главных компонент
+Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.
Весенний семестр
Байесовское решающее правило. Примеры генеративных моделей
Отбор признаков
Выпуклые функции
Стандартные распределения
Смеси распределений
EM-алгоритм
Разделение смеси многомерных нормальных распределений
Тематические модели
(обновлено 01.04.21)
Ядерно-сглаженные оценки плотности
Кластеризация
(обновлено 10.04.2021)
Обнаружение аномалий
Сингулярное разложение
Доказательство основных свойств.
Рекомендательные системы
Активное обучение
Частичное обучение
Нелинейное снижение размерности
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.