Открыто

Машинное обучение [2022] [МГУ]

Тема в разделе "Курсы по программированию", создана пользователем Toxich, 18 ноя 2021.

Цена: 30000р.-95%
Взнос: 1379р.

Основной список: 24 участников

Резервный список: 4 участников

  1. 18 ноя 2021
    #1
    Toxich
    Toxich ЧКЧлен клуба
    Машинное обучение [2022]
    МГУ (Высшая Школа Управления и Инноваций филиал МГУ имени М. В. Ломоносова)


    Цель программы – ознакомить слушателей с основами машинного обучения.

    По результатам программы слушатели будут обладать:
    1. Знанием принципов машинного обучения
    2. Способностью проводить самостоятельный подбор классификаторов под конкретную задачу.
    3. Знанием механизмов линейной и логистической регрессий.
    4. Знанием методов машинного обучения без учителя.
    5. Способностью разработать собственную модель машинного обучения под конкретную прикладную задачу.

    В результате освоения дисциплины обучающийся должен:
    1. Знать: принципы построения векторных признаков, решающих правил и классификации, нейронных сетей;
    2. Уметь: выбирать подходящий классификатор в зависимости от решаемой задачи, выбирать набор признаков для классификации и проводить предварительную обработку данных, применять алгоритмы машинного обучения и построения классификатора по выборке;
    3. Владеть: навыками выбора, построения, обучения и использования основных классификаторов и моделей машинного обучения при решении прикладных задач

    Раздел 1 - Введение. Примеры задач. Логические методы: решающие деревья и решающие леса.
    • Логические методы: классификация объектов на основе простых правил.
    • Интерпретация и реализация.
    • Объединение в композицию.
    • Решающие деревья.
    • Случайный лес.
    Раздел 2 - Метрические методы классификации. Линейные методы, стохастический градиент.
    • Метрические методы.
    • Классификация на основе сходства.
    • Расстояние между объектами.
    • Метрика.
    • Метод k ближайших соседей.
    • Обобщение на задачи регрессии с помощью ядерного сглаживания.
    • Линейные модели.
    • Масштабируемость.
    • Применимость к большим данным Метод стохастического градиента.
    • Применимость для настойки линейных классификаторов.
    • Понятие регуляризации.
    • Особенности работы с линейными методами.
    • Метрики качества классификации
    Раздел 3 - Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации.
    • Линейные модели.
    • Масштабируемость.
    • Применимость к большим данным Метод стохастического градиента.
    • Применимость для настойки линейных классификаторов.
    • Понятие регуляризации.
    • Особенности работы с линейными методами.
    Раздел 4 - Линейная регрессия. Понижение размерности, метод главных компонент.
    • Линейные модели для регрессии.
    • Их связь с сингулярным разложением матрицы "объекты-признаки".
    • Уменьшении количества признаков.
    • Подходы к отбору признаков.
    • Метод главных компонент.
    • Методы понижения размерности.
    Раздел 5 - Композиции алгоритмов, градиентный бустинг. Нейронные сети.
    • Объединение моделей в композицию.
    • Взаимное исправление ошибок моделей.
    • Основные понятия и постановки задач, связанные с композициями.
    • Градиентный бустинг.
    • Нейронные сети.
    • Поиск нелинейных разделяющих поверхностей.
    • Многослойные нейронные сети и их настройка с помощью метода обратного распространения ошибки.
    • Глубокие нейронные сети: их архитектурах и особенности.
    Раздел 6 - Кластеризация и визуализация.
    • Задачи обучения без учителя.
    • Поиск структуры в данных.
    • Задача кластеризации как задача поиска групп схожих объектов.
    • Задача визуализации как задача отображения объектов в двух- или трехмерное пространство.
    Раздел 7 - Прикладные задачи анализа данных: постановки и методы решения.
    • Частичное обучение как задача, находящаяся между обучением с учителем и кластеризацией.
    • Задача для выборки, в которой значение целевой переменной известно лишь для части объектов.
    • Отличие задачи частичного обучения от рассмотренных ранее постановок.
    • Подходы к решению.
    • Разбор задач из прикладных областей: скорринг в банках, страховании, задачи андеррайтинга, задачи распознавания образов.

    Продажник
     
  2. Последние события

    1. elenot
      elenot не участвует.
      31 июл 2024
    2. lsotope
      lsotope участвует.
      3 июл 2024
    3. dobryj_zhuk
      dobryj_zhuk участвует.
      7 дек 2023
    4. skladchik.com
      В складчине участвует 30 человек(а).
      5 окт 2023