Курс посвящен одной из самых передовых областей науки на сегодняшний день - машинному обучению. Слушатели курса познакомятся с основными методами машинного обучения для решения прикладных задач.

Основная цель курса - это изучение основ машинного обучения и инструментов языка Python.

Данный курс является составляющей частью серии курсов по искусственному интеллекту в Московском государственном университете. Цель этой серии курсов — предоставление студентам актуальных и современных знаний в области искусственного интеллекта и в различных областях науки о данных. Курс относится к МФК в области ИИ.

Telegram-канал, в котором будут публиковаться объявления по курсам: https://t.me/msumfk

Список всех тем лекций

Лекция 1. Введение в машинное обучение.
Вступление к лекции Актуальность машинного обучения Контакты Что такое машинное обучение? Ветви машинного обучения Машинное обучение с учителем Ответы на вопросы студентов Машинное обучение без учителя Признаки и типы признаков Что такое модель машинного обучения? Применение машинного обучения Заключение

Лекция 2. Метрические методы.
Вступление к лекции Напоминание Пример Обобщенный метрический классификатор Метод k-ближайших соседей Выбор метрики Дополнение Задача регрессии Преимущества и недостатки метрических алгоритмов Алгоритм KNN Метод кросс-валидации Вопросы от студентов

Лекция 3. Линейные модели классификации.
Тема лекции Пример на понимание концепции построения разделяющей гиперплоскости Обобщенный линейный классификатор SVM (support vectors machine, метод опорных векторов) Логистическая регрессия Scaling Классификация рукописных цифр Разделяющая гиперплоскость Инструмент sklearn

Лекция 4. Линейные модели регрессии.
Тема лекции Напоминание Одномерный случай линейной регрессии Пример Обобщение SVM на задачу регрессии Метрики качества регрессии Пример

Лекция 5. Решающие деревья.
Тема лекции Структура модели Геометрическая интерпретация Построение решающих деревьев LearnlD3 Критерии информативности Связь критериев и задачи регрессии Переобучение и недообучение Достоинства и недостатки Примеры

Лекция 6. Ансамблевые алгоритмы машинного обучения.
Тема лекции Качество простых алгоритмов Ансамбли Разложение ошибки Простое голосование классификаторов Алгоритм: случайный лес Градиентный бустинг Реализация ансамблей деревьев Резюме Примеры

Лекция 7. Метрики качества классификации.
Тема лекции Accuracy Precision и Recall (точность и полнота) F1-measure Метрики качества мягкой классификации ROC-curve Многоклассовая классификация Оценка качества многоклассовой классификации

Лекция 8. Снижение размерности данных.
Тема лекции Мотивация SVD-разложение PCA (метод главных компонент) Повторение материала t-SNE

Лекция 9. Задача кластеризации.
Тема лекции Кластеризация Метод K-Means (К-средних) Реализация в sklearn Справка ЕМ-алгоритм Иерархическая кластеризация Пример

Лекция 10. Рекомендательные системы.
Тема лекции Введение Общая схема работы рекомендательных систем Типы рекомендательных систем User-Based Item-Based модели Latent factor model-based Alternating Least Square (ALS) Другие вопросы качества рекомендаций

Лекция 11. Временные ряды.
Тема лекции Компоненты временного ряда Пример Декомпозиция временного ряда Стационарные временные ряды Прогнозирование временных рядов

Лекция 12. Нейронные сети.
Тема лекции Что делает линейная регрессия? Перцептрон Розенблатта XOR problem Вывод "Белые пятна" Нейронные сети (моделирование задачи) Дополнение