В современном мире повсеместная информатизация привела к накоплению больших объемов данных во всех сферах деятельности: от научной до сферы услуг. Задачи обработки и построения прогнозов по такому количеству данных непосильны для классических методов. Для того чтобы делать практические выводы по огромному объему разнородной информации используется машинное обучение – инструмент для автоматического быстрого анализа больших данных.

Машинное обучение в настоящее время применяется в самых разных областях: в кредитовании клиентов банка, в рекомендательных системах кинофильмов, в прогнозировании онкологических заболеваний.  Уже сейчас эта наука применяется для решения множества прикладных задач, а в будущем ее актуальность вырастет еще больше.

Для анализа больших данных, таких как истории банковских транзакций, статистики интернет-запросов, биоинформатические данные, применение машинного обучения уже давно стало одним из основных подходов. Понимание основ работы с большими данными входит в интеллектуальных багаж любого современного исследователя.

На предлагаемом курсе вы изучите основные типы задач, возникающих в машинном обучении: в основном, речь будет идти о классификации, регрессии и кластеризации. В курсе не будет многочисленных сложных математических выкладок, в первую очередь акцент будет поставлен на том, чтобы слушатель понял принципы машинного обучения и освоил основные алгоритмы для анализа больших данных. Кроме того, слушатели познакомятся с современными библиотеками, в которых реализованы обсуждаемые модели. В качестве домашних заданий будет предложен анализ различных наборов данных, тем самым у пользователя будет возможность применить свои навыки на реальных задачах.

Для участия в курсе необходимо знать базовые математические понятия, такие как: вектора, матрицы, функции и производные. Также желательно иметь некоторые навыки программирования на языке Python.

Данный курс будет полезен каждому, кто планирует применять в своей работе интеллектуальный анализ данных.

Список всех тем лекций

Лекция 1. Машинное обучение. Виды задач, примеры.
Вводное слово о курсе Искусственный интеллект Машинное обучение Виды машинного обучения Примеры Примеры

Лекция 2. Переобучение, недообучение.
Обучение модели Модель классификации Сложность модели Недообучение и переобучение Обучение с учителем Оценка качества модели Пример Задача регрессии Заключение

Лекция 3. Метод опорных векторов.
Метод опорных операторов Вероятности Применение метода опорных векторов в биологии Примеры Гиперпараметры и валидация

Лекция 4. Проклятье размерности.
Обучение без учителя Задача снижения размерности Методы снижения размерности PCA (Principal Component Analysis) Kernel PCA t-SNE UMAP (Uniform Manifold Approximation and Projection) t-SNE и UMAP в науке Пример Кратко об изученном на лекции

Лекция 5. Кластеризация.
Задача кластеризации Теорема Клейнберга Подходы к решению задачи кластеризации Статистика Хопкинса Коэффициент силуэта для объекта Способы кластеризации k-Means EM-algorithm DBSCAN Affinity propagation Иерархические методы кластеризации Примеры из биологии

Лекция 6. Решающие деревья.
Деревья решений Принцип работы дерева решений Деревья решений - классификация Как построить дерево решений Задача регрессии Работа с пропущенными решениями Неустойчивость деревьев решений Деревья и bias-variance tradeoff Ансамбли Бутстрэп Bagging (Bootstrap аggregating) и RSM Случайный лес

Лекция 7. Градиентный бустинг.
Бустинг (понятие) AdaBoost Coast CatBoost Предсказание свойств лекарств при помощи градиентного бустинга Оценка важности признаков в дереве решений

Лекция 8. Нейронные сети.
Линейная регрессия Общая схема нейронной сети Функции активации Фреймворк Py Torch Эпоха в обучении нейронных сетей Sequential Batch Dataset и data loader Применение в биологии

Лекция 9. Сверточные нейронные сети.
ImageNet Модели Интуиция Свертка Сверточный слой Рецептивное поле Pooling Примеры архитектур нейронных сетей Применение сверточных нейронных сетей в биологии

Лекция 10. Методы обучения глубоких нейронных сетей.
Обратное распространение ошибки Батчи, эпохи Функции активации Инициализация весов Batch-нормализация Оптимизаторы Машинное обучение в биологии

Лекция 11. Автоэнкодеры. Сегментация изображений.
Representation Learning Снижение размерности Автоэнкодеры Реализация автоэнкодера Плавная интерполяция Вероятностный автоэнкодер Примеры Проблема автоэнкодеров Постановка задачи в Computer Vision Сегментация изображений

Лекция 12. Генеративно-состязательные нейронные сети (GAN).
Генеративно-состязательные нейронные сети (GAN) Формализация задачи генерации Наивный подход и его проблемы Generative adversarial network Генерация структур химических веществ Дополнительно: ААЕ Рекуррентные нейронные сети (RNN) Базовая ячейка RNN Блок RNN Применение в биологии

Лекция 13. Seq2Seq и его ограничение.
Seq2Seq Attention Словарь Key, query, value Attention Layer Self-Attention Layer Positional encoding Multihead Self-Attention Layer Примеры применений Transformer BERT GPT (Generative Pretrained Transformer ) Self-supervised learning Другие подходы Ролик о сегментации

Лекция 14. Графовые нейронные сети.
Граф Машинное обучение применительно к графам Характеристика графов Эмбеддинги в графах Графовые конволюции