Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
(Новая: Категория:Учебные курсы {{TOCright}} Курс посвящен алгоритмам машинного обучения (machine learning), которые са...) |
(→Программа курса) |
||
Строка 21: | Строка 21: | ||
===Основные понятия и примеры прикладных задач.=== | ===Основные понятия и примеры прикладных задач.=== | ||
[[Media:Kitov-ML-01-Introduction.pdf|Скачать презентацию]] | [[Media:Kitov-ML-01-Introduction.pdf|Скачать презентацию]] | ||
+ | |||
+ | ===Линейные методы снижения размерности.=== | ||
+ | |||
+ | ===Сингулярное разложение.=== | ||
===Метрические методы регрессии и классификации.=== | ===Метрические методы регрессии и классификации.=== | ||
Строка 53: | Строка 57: | ||
===Методы отбора признаков.=== | ===Методы отбора признаков.=== | ||
- | |||
- | |||
- | |||
- | |||
===Нелинейные методы снижения размерности.=== | ===Нелинейные методы снижения размерности.=== | ||
- | |||
- | |||
===Частичное обучение (semi-supervised learning).=== | ===Частичное обучение (semi-supervised learning).=== | ||
+ | |||
+ | ===Активное обучение (semi-supervised learning).=== | ||
+ | |||
+ | ===Рекомендательные системы=== |
Версия 10:35, 1 сентября 2016
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.