Машинное обучение в физике
Курс знакомит студентов с широким кругом современных методов машинного обучения, основными типами решаемых с их помощью задач, методами подготовки и обработки данных, используемым для работы с машинным обучением современным инструментарием. Курс состоит из лекций и практических занятий и обеспечивает студентам не только усвоение теоретических знаний, но и приобретение практических навыков решения задач обработки данных. Акцент в курсе сделан на решение типов задач, возникающих при работе с данными в физике, с учётом их характерных свойств и особенностей.
В результате усвоения курса слушатель приобретет общие знания о работе с данными, а также о рассматриваемых методах машинного обучения, их теоретических основах, областях применения и особенностях практического использования. Он также получит практические навыки работы с данными с использованием некоторых компьютерных программ и программных сред, в которых реализованы рассматриваемые методы.
Страница курса: https://intellect-foundation.r...
МАТЕРИАЛЫ К КУРСУ: https://drive.google.com/drive...
- 01:34:13Занятие 1 (лекция). Введение в машинное обучение. Специфика задач обработки данных в физике
- 01:25:47Занятие 2 (практикум). Основные понятия языка Python и приёмы работы с ним
- 01:07:04Занятие 3 (лекция). Подготовка данных. Оценка качества моделей
- 53:52Занятие 4 (лекция). Отбор и преобразование входных признаков. Оценка значимости входов
- 01:46:08Занятие 5 (лекция). Анализ главных компонент и методы на его основе. Кластер-анализ. Нейронные сети и самоорганизующиеся карты Кохонена
- 50:06Занятие 6 (лекция). Базовые методы машинного обучения
- 01:36:28Занятие 7 (лекция). Многослойные персептроны. Алгоритм обратного распространения ошибки
- 01:59:37Занятие 8 (практикум). Практические основы предобработки данных
- 46:15Занятие 9 (практикум). Обработка данных спектров и решение задач машинного обучения с их использованием
- 01:41:22Занятие 10 (лекция). Глубокие и свёрточные нейронные сети
- 01:31:27Занятие 11 (лекция). Некоторые технологии работы с глубокими нейронными сетями
- 01:34:28Занятие 12 (лекция). Рекуррентные нейронные сети
- 44:35Занятие 13 (практикум). Машинное обучение и генерация данных
- 49:09Занятие 14 (лекция). Генеративные состязательные сети. Вариационные автоэнкодеры. Генерация данных
- 59:41Занятие 15 (лекция). Анализ временных рядов. Комбинированные алгоритмы
- 35:10Занятие 16 (практикум). Решение задачи прогнозирования в космической физике




