Методы машинного обучения
Целью освоения дисциплины «Машинное обучение» являются формирование у студентов теоретических знаний и практических навыков по основам машинного обучения, овладение студентами инструментарием, моделями и методами машинного обучения, а также приобретение навыков исследователя данных (data scientist) и разработчика математических моделей, методов и алгоритмов анализа данных
Результаты освоения курса
В курсе рассматриваются основные задачи обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Теоремы в основном приводятся без доказательств.
Математические основы машинного обучения
Основные понятия и примеры прикладных задач
Линейный классификатор и стохастический градиент
Нейронные сети: градиентные методы оптимизации
Метрические методы классификации и регрессии
Метод опорных векторов
Многомерная линейная регрессия
Нелинейная регрессия
Критерии выбора моделей и методы отбора признаков
Логические методы классификации
Кластеризация и частичное обучение
Прикладные модели машинного обучения
Нейронные сети с обучением без учителя
Векторные представления текстов и графов
Обучение ранжированию
Рекомендательные системы
Адаптивные методы прогнозирования
Результаты освоения курса
В курсе рассматриваются основные задачи обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Теоремы в основном приводятся без доказательств.
Математические основы машинного обучения
Основные понятия и примеры прикладных задач
Линейный классификатор и стохастический градиент
Нейронные сети: градиентные методы оптимизации
Метрические методы классификации и регрессии
Метод опорных векторов
Многомерная линейная регрессия
Нелинейная регрессия
Критерии выбора моделей и методы отбора признаков
Логические методы классификации
Кластеризация и частичное обучение
Прикладные модели машинного обучения
Нейронные сети с обучением без учителя
Векторные представления текстов и графов
Обучение ранжированию
Рекомендательные системы
Адаптивные методы прогнозирования
Преподаватель: Евгений Морковин, Алексей Валериевич Якушин