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.

Учебный план

Глава 1. Организационные вопросы и методика тестирования методов обучения
Лекция 1. Организационные вопросы ОТКРЫТО 5 минут
Лекция 2. Основные понятия: объекты, признаки, матрицы 15 минут
Лекция 3. Понятие алгоритма 45 минут
Лекция 4. Примеры прикладных задач 60 минут
Лекция 5. Итоги лекции 15 минут
Тест 1 для курса # 21946 40 минут
Глава 2. Статистические (байесовские) методы классификации
Лекция 6. Постановка задачи классификации 45 минут
Лекция 7. Параметрическое оценивание плотности 15 минут
Лекция 8. Восстановление одномерных плоскостей 45 минут
Лекция 9. Выбор метрики, ядра, ширины окна 30 минут
Тест 2 для курса # 21946 40 минут
Глава 3. Нормальный байесовский классификатор
Лекция 10. Параметрическое оценивание плотности 30 минут
Лекция 11. Нормальный дискриминантный анализ 20 минут
Лекция 12. Проблема мультиколлинеарности 60 минут
Глава 4. Восстановление смесей распределений
Лекция 13. Модель смеси распределений 30 минут
Лекция 14. EM-алгоритм 20 минут
Лекция 15. Практическая часть 20 минут
Тест 3 для курса # 21946 40 минут
Глава 5. Метрические методы классификации
Лекция 16. Гипотеза компактности 45 минут
Лекция 17. Метод потенциальных функций 20 минут
Лекция 18. Обобщенный метрический классификатор 20 минут
Лекция 19. Алгоритм STOLP 20 минут
Лекция 20. Понятие конкурентного сходства 45 минут
Тест 4 для курса # 21946 40 минут
Глава 6. Линейные методы классификации
Лекция 21. Задача построения разделяющей поверхности 30 минут
Лекция 22. Линейный классификатор 20 минут
Лекция 23. Алгоритм SG (Stochastic Gradient) 15 минут
Лекция 24. Частные случаи метода SG 30 минут
Тест 5 для курса # 21946 40 минут
Лекция 25. Регуляризация эмпирического риска 45 минут
Лекция 26. Основание логистической регрессии 45 минут
Тест 6 для курса # 21946 40 минут
Лекция 27. Метод опорных векторов (SVM) 10 минут
Лекция 28. Задача поиска седловой точки функции Лангранжа 30 минут
Лекция 29. Обоснование кусочно-линейной функции потерь 45 минут
Лекция 30. Машина релевантных векторов RVM 45 минут
Тест 7 для курса # 21946 40 минут
Глава 7. Регрессионный анализ и метод главных компонентов
Лекция 31. Задачи регрессии: основные понятия и определения 30 минут
Лекция 32. Непараметрическая регрессия 45 минут
Лекция 33. Линейная регрессия 10 минут
Лекция 34. Регуляризация 60 минут
Лекция 35. Метод главных компонент 45 минут
Тест 8 для курса # 21946 40 минут
Глава 8. Нелинейная регрессия. Многослойные нейронные сети
Лекция 36. Метод наименьших квадратов (повторение) 45 минут
Лекция 37. Нелинейная модель регрессии 45 минут
Лекция 38. Искусственные нейронные сети 45 минут
Лекция 39. Многослойная нейронная сеть 15 минут
Тест 9 для курса # 21946 40 минут
Лекция 40. Повторение методов обучения многослойных нейронных сетей 60 минут
Лекция 41. Прореживание сети (OBD — Optimal Brain Damage) 45 минут
Лекция 42. Задача кластеризации (задачи обучения без учителя) 60 минут
Лекция 43. Сеть Кохонена 30 минут
Глава 9. Алгоритмы кластеризации
Лекция 44. Постановка задачи кластеризации 30 минут
Лекция 45. Агломеративная иерархическая кластеризация 15 минут
Лекция 46. Статистические методы кластеризации 60 минут
Тест 10 для курса # 21946 40 минут
Глава 10. Методы частичного обучения
Лекция 47. Постановка задачи частичного обучения 30 минут
Лекция 48. Методы кластеризации 90 минут
Лекция 49. Методы классификации 20 минут
Тест 11 для курса # 21946 40 минут
Глава 11. Композиции классификаторов. Бустинг
Лекция 50. Задачи обучения композиций 60 минут
Лекция 51. Алгоритмы Бустинга 45 минут
Тест 12 для курса # 21946 40 минут
Лекция 52. Обобщение алгоритма AdaBoost 60 минут
Лекция 53. Стохастические методы построения композиций 45 минут
Лекция 54. Квазилинейная композиция 60 минут
Тест 13 для курса # 21946 40 минут
Глава 12. Оценки обобщающей способности
Лекция 55. Задачи выбора метода обучения 30 минут
Лекция 56. Бинарная функция потерь. Матрицы ошибок 15 минут
Лекция 57. Метод структорной минимизации риска 15 минут
Лекция 58. Монотонные методы обучения 30 минут
Тест 14 для курса # 21946 40 минут
Глава 13. Методы отбора признаков. Отбор признаков
Лекция 59. Скользящий контроль 30 минут
Лекция 60. Алгоритм полного перебора 30 минут
Лекция 61. Алгоритм эадного добавления 30 минут
Лекция 62. Поиск в глубину 30 минут
Лекция 63. Поиск в ширину 15 минут
Лекция 64. Генетические алгоритмы поиска 60 минут
Лекция 65. Случайный поиск с адаптацией 20 минут
Тест 15 для курса # 21946 40 минут
Глава 14. Логические алгоритмы классификации
Лекция 66. Отбор признаков в задачах классификации 30 минут
Лекция 67. Задачи интерпретируемости 60 минут
Лекция 68. Задачи перебора конъюнкций 45 минут
Лекция 69. Вспомогательная задача бинаризации вещественного признака 15 минут
Лекция 70. Алгоритм решающего списка 60 минут
Лекция 71. Достоинства и недостатки решающих деревьев 30 минут
Лекция 72. Решающие леса 30 минут
Тест 16 для курса # 21946 40 минут
Лекция 73. Взвешенное голосование закономерностей 20 минут
Лекция 74. Чередующееся решающее дерево-ADT 30 минут
Лекция 75. Обучение ADT методом бустинга 30 минут
Лекция 76. Невнимательные решающие деревья-ODT 45 минут
Глава 15. Поиск ассоциативных правил
Лекция 77. Методы поиска ассоциативных правил 30 минут
Лекция 78. Алгоритм APriory 30 минут
Лекция 79. Алгоритм FP-growth 45 минут
Тест 17 для курса # 21946 40 минут
Глава 16. Коллаборативные итерации
Лекция 80. Постановка задачи коллаборативной фильтрации 30 минут
Лекция 81. Методы коллаборативной фильтрации 60 минут
Лекция 82. Понятие латентной модели 45 минут
Лекция 83. Вероятностный латентный сематический анализ (PLSA) 45 минут
Тест 18 для курса # 21946 40 минут
Глава 17. Тематическое моделирование
Лекция 84. Постановка задачи тематического моделирования 60 минут
Лекция 85. Задачи максимизации правдоподобия 60 минут
Лекция 86. Латентное размещение Дирихле 60 минут
Лекция 87. Стандартная методика оценивания моделей языка 15 минут
Лекция 88. Обобщения и модификации тематических моделей 90 минут
Лекция 89. Проблема построения иерархических тематических моделей 15 минут
Тест 19 для курса # 21946 40 минут
Глава 18. Обучение с подкреплением
Лекция 90. Постановка задачи о многоруком бандите 90 минут
Лекция 91. Динамическое программирование 60 минут
Тест 20 для курса # 21946 40 минут
Экзамен 120 минут
ПРИВАТНЫЙ КУРС
  • 8 месяцев (57 час.)

Инструкторы

97 СЛУШАТЕЛЕЙ В СПИСКЕ

Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите

Ctrl+Enter.

Контакты:

ТЕЛЕФОНЫ: +7 (985) 769-77-52,
+7 (495) 688-77-44, 86-66
АДРЕС: Москва, ул. Трифоновcкая, д.57,
стр. 1 Станция метро: «РИЖСКАЯ»
E-MAIL: info@e-hsbi.ru

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам: