Математические методы распознавания образов (курс лекций, В.В.Китов)
Материал из MachineLearning.
(→Видеозаписи занятий) |
|||
Строка 11: | Строка 11: | ||
[https://youtube.com/playlist?list=PLVF5PzSHILHR5d-stEZxHnxE8pr8_m9Ai Осень] | [https://youtube.com/playlist?list=PLVF5PzSHILHR5d-stEZxHnxE8pr8_m9Ai Осень] | ||
+ | |||
[https://youtube.com/playlist?list=PLVF5PzSHILHSFWXx47gm2Iu6OEUxpWLqt Весна] | [https://youtube.com/playlist?list=PLVF5PzSHILHSFWXx47gm2Iu6OEUxpWLqt Весна] | ||
Строка 26: | Строка 27: | ||
* Анонимные отзывы и комментарии по лекциям [https://docs.google.com/forms/d/e/1FAIpQLSeeWRdRVQ82GPyu0FIW5RlWV9NwyWPWSlNBDrMHAHvsfln3aA/viewform можно оставлять здесь.] | * Анонимные отзывы и комментарии по лекциям [https://docs.google.com/forms/d/e/1FAIpQLSeeWRdRVQ82GPyu0FIW5RlWV9NwyWPWSlNBDrMHAHvsfln3aA/viewform можно оставлять здесь.] | ||
- | |||
=Экзамен= | =Экзамен= |
Версия 08:34, 14 марта 2021
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
Видеозаписи занятий
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
Сингулярное разложение
Тематические модели
Доказательство 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.