"Μηχανική εκμάθηση" - μάθημα 30.000 ρούβλια. από το MSU, εκπαίδευση 3 εβδομάδες. (1 μήνας), Ημερομηνία: 30 Νοεμβρίου 2023.

Τμήμα 1. Εισαγωγή. Παραδείγματα εργασιών. Λογικές μέθοδοι: δέντρα αποφάσεων και δάση αποφάσεων.

Λογικές μέθοδοι: ταξινόμηση αντικειμένων με βάση απλούς κανόνες. Ερμηνεία και υλοποίηση. Συνδυασμός σε σύνθεση. Αποφασιστικά δέντρα. Τυχαίο δάσος.

Τομέας 2. Μέθοδοι μετρικής ταξινόμησης. Γραμμικές μέθοδοι, στοχαστική κλίση.

Μετρικές μέθοδοι. Ταξινόμηση με βάση την ομοιότητα. Απόσταση μεταξύ αντικειμένων. Μετρήσεις. Η μέθοδος k-πλησιέστερων γειτόνων. Γενίκευση σε προβλήματα παλινδρόμησης χρησιμοποιώντας εξομάλυνση πυρήνα. Γραμμικά μοντέλα. Επεκτασιμότητα. Εφαρμογή σε μεγάλα δεδομένα Μέθοδος Στοχαστικής κλίσης. Εφαρμογή για συντονισμό γραμμικών ταξινομητών. Η έννοια της τακτοποίησης. Χαρακτηριστικά της εργασίας με γραμμικές μεθόδους. Μετρήσεις ποιότητας ταξινόμησης.

Ενότητα 3. Υποστήριξη Vector Machine (SVM). Λογιστική παλινδρόμηση. Μετρήσεις ποιότητας ταξινόμησης.

Γραμμικά μοντέλα. Επεκτασιμότητα. Εφαρμογή σε μεγάλα δεδομένα Μέθοδος Στοχαστικής κλίσης. Εφαρμογή για συντονισμό γραμμικών ταξινομητών. Η έννοια της τακτοποίησης. Χαρακτηριστικά της εργασίας με γραμμικές μεθόδους.

Ενότητα 4. Γραμμικής παλινδρόμησης. Μείωση διαστάσεων, μέθοδος κύριας συνιστώσας.

Γραμμικά μοντέλα παλινδρόμησης. Η σύνδεσή τους με την ενική αποσύνθεση του πίνακα «αντικείμενα-χαρακτηριστικά». Μείωση του αριθμού των πινακίδων. Προσεγγίσεις για την επιλογή χαρακτηριστικών. Μέθοδος κύριου συστατικού. Μέθοδοι μείωσης διαστάσεων.

Ενότητα 5. Συνθέσεις αλγορίθμων, gradient boosting. Νευρωνικά δίκτυα.

Συνδυασμός μοντέλων σε σύνθεση. Αμοιβαία διόρθωση σφαλμάτων μοντέλου. Βασικές έννοιες και δηλώσεις προβλημάτων που σχετίζονται με συνθέσεις. Ενίσχυση κλίσης.
Νευρωνικά δίκτυα. Αναζήτηση για μη γραμμικές διαχωριστικές επιφάνειες. Πολυστρωματικά νευρωνικά δίκτυα και συντονισμός τους με τη μέθοδο της backpropagation. Βαθιά νευρωνικά δίκτυα: οι αρχιτεκτονικές και τα χαρακτηριστικά τους.

Ενότητα 6. Ομαδοποίηση και οπτικοποίηση.

Προβλήματα μάθησης χωρίς επίβλεψη. Εύρεση δομής σε δεδομένα. Το πρόβλημα της ομαδοποίησης είναι το καθήκον της εύρεσης ομάδων παρόμοιων αντικειμένων. Η εργασία οπτικοποίησης είναι η αποστολή αντικειμένων σε δισδιάστατο ή τρισδιάστατο χώρο.

Ενότητα 7. Προβλήματα εφαρμοσμένης ανάλυσης δεδομένων: συνθέσεις και μέθοδοι επίλυσης.

Η μερική μάθηση ως πρόβλημα μεταξύ εποπτευόμενης μάθησης και ομαδοποίησης. Ένα πρόβλημα δειγματοληψίας στο οποίο η τιμή της μεταβλητής στόχου είναι γνωστή μόνο για ορισμένα αντικείμενα. Η διαφορά μεταξύ του προβλήματος μερικής μάθησης και των διατυπώσεων που συζητήθηκαν προηγουμένως. Προσεγγίσεις για λύση.
Ανάλυση προβλημάτων από εφαρμοσμένους τομείς: βαθμολόγηση σε τράπεζες, ασφάλειες, προβλήματα αναδοχής, προβλήματα αναγνώρισης προτύπων.

Διεύθυνση

119991, Μόσχα, οδός. Leninskie Gory, 1, bldg. 51, 5ος όροφος, αίθουσα 544 (κοσμητεία)

Εμφάνιση στον χάρτη