Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
(→Рекомендуемые ресурсы по Python) |
(→Рекомендуемые ресурсы по Python) |
||
Строка 140: | Строка 140: | ||
=Рекомендуемые ресурсы по Python= | =Рекомендуемые ресурсы по Python= | ||
- | |||
- | |||
- | |||
* Примеры для начинающих: [http://nbviewer.ipython.org/gist/voron13e02/83a86f2e0fc5e7f8424d краткое руководство с примерами по Python 2] | * Примеры для начинающих: [http://nbviewer.ipython.org/gist/voron13e02/83a86f2e0fc5e7f8424d краткое руководство с примерами по Python 2] | ||
* Python from scratch: [http://nbviewer.ipython.org/gist/rpmuller/5920182 A Crash Course in Python for Scientists] | * Python from scratch: [http://nbviewer.ipython.org/gist/rpmuller/5920182 A Crash Course in Python for Scientists] | ||
+ | * [https://github.com/ipython/ipython/wiki/A-gallery-of-interesting-IPython-Notebooks Коллекция интересных IPython ноутбуков] | ||
* Лекции [https://github.com/jrjohansson/scientific-python-lectures#online-read-only-versions Scientific Python] | * Лекции [https://github.com/jrjohansson/scientific-python-lectures#online-read-only-versions Scientific Python] | ||
* Книга: [http://www.cin.ufpe.br/~embat/Python%20for%20Data%20Analysis.pdf Wes McKinney «Python for Data Analysis»] | * Книга: [http://www.cin.ufpe.br/~embat/Python%20for%20Data%20Analysis.pdf Wes McKinney «Python for Data Analysis»] | ||
- | * [ | + | * [http://python.org Официальный сайт] |
+ | * Необходимые научные библиотеки: [http://www.numpy.org/ NumPy], [http://pandas.pydata.org/ Pandas], [http://scikit-learn.org/stable/ SciKit-Learn], [http://matplotlib.org/ Matplotlib]. |
Версия 08:32, 25 апреля 2018
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.
Объявления
Лекции 20 апреля не будет.
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.
+ вывод решения
Свойства симметричных матриц, положительно определенные матрицы, векторное дифференцирование.
Линейная регрессия.
Линейная классификация.
Оценивание классификаторов.
Презентация. +классификатор выпуклой оболочки ROC кривых.
Метод опорных векторов.
+вывод двойственной задачи SVM +support vector regression
Обобщения методов через ядра Мерсера.
+ двойственная задача для гребневой регрессии
Решающие деревья.
Ансамбли прогнозирующих алгоритмов. Смещение и дисперсия моделей.
Бустинг.
Второй семестр
xgBoost.
Байесовское решающее правило. Генеративные и дискриминативные модели.
Презентация. (пока только Байесовское решающее правило)
---
Ядерно-сглаженные оценки плотности.
Отбор признаков
Нейросети
Сингулярное разложение.
Рекомендательные системы.
Свойства выпуклых функций. Неравенство Йенсена.
Расстояние Кульбака-Лейблера, его неотрицательность.
EM-алгоритм.
Смеси распределений, их оценивание через EM-алгоритм
Презентация. Вывод для смеси нормальных распределений.
Тематическое моделирование
Кластеризация
Оценка качества кластеризации
Обнаружение аномалий
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
- Необходимые научные библиотеки: NumPy, Pandas, SciKit-Learn, Matplotlib.