Есть вопросы?

Введите Ваше имя (минимум 2 символа)

Некорректный e-mail

Введите Ваш вопрос (минимум 10 символов)

Подтвердите что Вы не робот

Спасибо, мы скоро Вам ответим!

Курс расширяет и углубляет набор тем, рекомендованный международным стандартом ACM/IEEE Computing Curricula 2001 по дисциплине «Машинное обучение и нейронные сети» (machine learning and neural networks) в разделе «Интеллектуальные системы» (intelligent systems).

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 годы. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Отдельные теоремы приводятся с доказательствами.

ЗАПИСАТЬСЯ НА ПРОГРАММУ

Учебный план

Глава 1. Организационные вопросы и методика тестирования методов обучения
Лекция 1. Организационные вопросы
Лекция 2. Основные понятия: объекты, признаки, матрицы
Лекция 3. Понятие алгоритма
Лекция 4. Примеры прикладных задач
Лекция 5. Итоги лекции
Тест 1 для курса # 21946
Глава 2. Статистические (байесовские) методы классификации
Лекция 6. Постановка задачи классификации
Лекция 7. Параметрическое оценивание плотности
Лекция 8. Восстановление одномерных плоскостей
Лекция 9. Выбор метрики, ядра, ширины окна
Тест 2 для курса # 21946
Глава 3. Нормальный байесовский классификатор
Лекция 10. Параметрическое оценивание плотности
Лекция 11. Нормальный дискриминантный анализ
Лекция 12. Проблема мультиколлинеарности
Глава 4. Восстановление смесей распределений
Лекция 13. Модель смеси распределений
Лекция 14. EM-алгоритм
Лекция 15. Практическая часть
Тест 3 для курса # 21946
Глава 5. Метрические методы классификации
Лекция 16. Гипотеза компактности
Лекция 17. Метод потенциальных функций
Лекция 18. Обобщенный метрический классификатор
Лекция 19. Алгоритм STOLP
Лекция 20. Понятие конкурентного сходства
Тест 4 для курса # 21946
Глава 6. Линейные методы классификации
Лекция 21. Задача построения разделяющей поверхности
Лекция 22. Линейный классификатор
Лекция 23. Алгоритм SG (Stochastic Gradient)
Лекция 24. Частные случаи метода SG
Тест 5 для курса # 21946
Лекция 25. Регуляризация эмпирического риска
Лекция 26. Основание логистической регрессии
Тест 6 для курса # 21946
Лекция 27. Метод опорных векторов (SVM)
Лекция 28. Задача поиска седловой точки функции Лангранжа
Лекция 29. Обоснование кусочно-линейной функции потерь
Лекция 30. Машина релевантных векторов RVM
Тест 7 для курса # 21946
Глава 7. Регрессионный анализ и метод главных компонентов
Лекция 31. Задачи регрессии: основные понятия и определения
Лекция 32. Непараметрическая регрессия
Лекция 33. Линейная регрессия
Лекция 34. Регуляризация
Лекция 35. Метод главных компонент
Тест 8 для курса # 21946
Глава 8. Нелинейная регрессия. Многослойные нейронные сети
Лекция 36. Метод наименьших квадратов (повторение)
Лекция 37. Нелинейная модель регрессии
Лекция 38. Искусственные нейронные сети
Лекция 39. Многослойная нейронная сеть
Тест 9 для курса # 21946
Лекция 40. Повторение методов обучения многослойных нейронных сетей
Лекция 41. Прореживание сети (OBD – Optimal Brain Damage)
Лекция 42. Задача кластеризации (задачи обучения без учителя)
Лекция 43. Сеть Кохонена
Глава 9. Алгоритмы кластеризации
Лекция 44. Постановка задачи кластеризации
Лекция 45. Агломеративная иерархическая кластеризация
Лекция 46. Статистические методы кластеризации
Тест 10 для курса # 21946
Глава 10. Методы частичного обучения
Лекция 47. Постановка задачи частичного обучения
Лекция 48. Методы кластеризации
Лекция 49. Методы классификации
Тест 11 для курса # 21946
Глава 11. Композиции классификаторов. Бустинг
Лекция 50. Задачи обучения композиций
Лекция 51. Алгоритмы Бустинга
Тест 12 для курса # 21946
Лекция 52. Обобщение алгоритма AdaBoost
Лекция 53. Стохастические методы построения композиций
Лекция 54. Квазилинейная композиция
Тест 13 для курса # 21946
Глава 12. Оценки обобщающей способности
Лекция 55. Задачи выбора метода обучения
Лекция 56. Бинарная функция потерь. Матрицы ошибок
Лекция 57. Метод структорной минимизации риска
Лекция 58. Монотонные методы обучения
Тест 14 для курса # 21946
Глава 13. Методы отбора признаков. Отбор признаков
Лекция 59. Скользящий контроль
Лекция 60. Алгоритм полного перебора
Лекция 61. Алгоритм жадного добавления
Лекция 62. Поиск в глубину
Лекция 63. Поиск в ширину
Лекция 64. Генетические алгоритмы поиска
Лекция 65. Случайный поиск с адаптацией
Тест 15 для курса # 21946
Глава 14. Логические алгоритмы классификации
Лекция 66. Отбор признаков в задачах классификации
Лекция 67. Задачи интерпретируемости
Лекция 68. Задачи перебора конъюнкций
Лекция 69. Вспомогательная задача бинаризации вещественного признака
Лекция 70. Алгоритм решающего списка
Лекция 71. Достоинства и недостатки решающих деревьев
Лекция 72. Решающие леса
Тест 16 для курса # 21946
Лекция 73. Взвешенное голосование закономерностей
Лекция 74. Чередующееся решающее дерево-ADT
Лекция 75. Обучение ADT методом бустинга
Лекция 76. Невнимательные решающие деревья-ODT
Глава 15. Поиск ассоциативных правил
Лекция 77. Методы поиска ассоциативных правил
Лекция 78. Алгоритм APriory
Лекция 79. Алгоритм FP-growth
Тест 17 для курса # 21946
Глава 16. Коллаборативные итерации
Лекция 80. Постановка задачи коллаборативной фильтрации
Лекция 81. Методы коллаборативной фильтрации
Лекция 82. Понятие латентной модели
Лекция 83. Вероятностный латентный сематический анализ (PLSA)
Тест 18 для курса # 21946
Глава 17. Тематическое моделирование
Лекция 84. Постановка задачи тематического моделирования
Лекция 85. Задачи максимизации правдоподобия
Лекция 86. Латентное размещение Дирихле
Лекция 87. Стандартная методика оценивания моделей языка
Лекция 88. Обобщения и модификации тематических моделей
Лекция 89. Проблема построения иерархических тематических моделей
Тест 19 для курса # 21946
Глава 18. Обучение с подкреплением
Лекция 90. Постановка задачи о многоруком бандите
Лекция 91. Динамическое программирование
Тест 20 для курса # 21946
Экзамен

Если вы нашли ошибку, пожалуйста, выделите её и нажмите Ctrl+Enter.

Высшая Школа Бизнес-Информатики