Обучение

Содержание курса

Машинное обучение

• Статистика, анализ данных, машинное обучение и искусственный интеллект. Основные понятия и обозначения. Постановки и прикладные примеры задач машинного обучения (обучение с учителем, обучение без учителя, обучение с подкреплением). Классификация моделей и методов машинного обучения. Параметрические и непараметрические модели. 
• Методология решения задач машинного обучения. Методы построения, преобразования и отбора признаков. Обнаружение и отсев выбросов. Обобщающая способность модели. Кросс-валидация. Матрица несоответствий. Метрики оценки качества обучения: точность, полнота, чувствительность, специфичность, F-мера, байесовский информационный критерий, критерий Акаике. Дилемма смещения-разброса. Линейная регрессия. Метод наименьших квадратов. Линейный дискриминантный анализ. Мультиколлинеарность и переобучение. Регуляризация. Гребневая регрессия, метод лассо. Логистическая регрессия. Минимизация эмпирического риска и метод стохастического градиента.
• Вероятностная постановка задачи классификации. Принцип максимума правдоподобия. Наивный байесовский классификатор. Подходы к оценке плотности распределения. Метрический классификатор. Метод ближайших соседей. Метод парзеновских окон. Линейный дискриминантный анализ. 
• Метод опорных векторов.
• Ансамблевые методы. Бэггинг. Бустинг. Градиентный бустинг на решающих деревьях.

Нейронные сети

• Области применения искусственных нейронных сетей.
• Модель МакКаллока-Питтса. Виды нейронов. Перцептрон Розенблатта. Нейронная реализация логических функций. 
• Персептронные сети. Метод обратного распространения ошибки. Метод оптимального усечения структуры сети.
• Самоорганизующиеся сети Кохоннена.
• Сети Хопфилда, ограниченные машины Больцмана. Алгоритм Contrastive Divergence. 
• Сети доверия. Алгоритм wake-sleep. Глубокое обучение. Использование машин Больцмана для глубоких сетей доверия. Автоэнкодеры.
• Сверточные нейронные сети. Рекуррентные нейронные сети.

   

Литература: 

1. Флах, П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных [Электронный ресурс] / П. Флах. — Электрон. дан. — Москва : ДМК Пресс, 2015. — 400 с. — Режим доступа: https://e.lanbook.com/book/69955. — Загл. с экрана.
2. Анализ данных : учебник для академического бакалавриата / В. С. Мхитарян [и др.] ; под ред. В. С. Мхитаряна. — М. : Издательство Юрайт, 2018. — 490 с. — (Серия : Бакалавр. Академический курс). — ISBN 978-5-534-00616-2. — Режим доступа : www.biblio-online.ru/book/CC38E97A-CCE5-4470-90F1-3B6D35ACC0B4.
3. Миркин, Б. Г. Введение в анализ данных : учебник и практикум / Б. Г. Миркин. — М. : Издательство Юрайт, 2018. — 174 с. — (Серия : Авторский учебник). — ISBN 978-5-9916-5009-0. — Режим доступа : www.biblio-online.ru/book/46A41F93-BC46-401C-A30E-27C0FB60B9DE. 
4. artificial intelligence dedicated to generating unlimited amounts of unique inspirational quotes for endless enrichment of pointless human existence http://inspirobot.me/

Сетевые ресурсы:

1. http://www.machinelearning.ru/ - Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных