Тематика курса относится к области обработки данных алгоритмами, содержание которых адаптивно по отношению к наборам обрабатываемых ими данных. В последнее десятилетие данное направление получило существенное развитие, поскольку, с одной стороны, появились мощные и относительно недорогие вычислительные системы, а с другой – стали доступны большие массивы данных, на которых можно проводить тренировку. В результате удалось добиться серьезных успехов в задачах, связанных, прежде всего, с распознаванием изображений, что вызвало взрывной интерес к теме искусственного интеллекта, рост числа специалистов в этой области и попытки применения разработанных методов в самых разных областях науки и техники, где также был достигнут существенный прогресс. В настоящее время методы машинного обучения нашли свое применение в торговле, логистике, рекламе, недвижимости, экономике и финансах, бухучете, сельском хозяйстве, биотехнологиях, строительстве, образовании, здравоохранении и других областях.

В рамках курса планируется дать слушателям представление о разнообразных методах машинного обучения и степени их применимости для задач разного рода, а также показать возможности практического применения предлагаемых методов.

Список всех тем лекций

Лекция 1. Введение в машинное обучение. Задачи, подходы, возможности и проблемы.
Источники информации Предмет изучения: ИИ и МО Причины прогресса Классификация задач МО Практическая часть: признаки распознавания текста, изображений Глубокое МО - построение признаков Линейная регрессия и классификация Алгоритм решения

Лекция 2. Библиотеки Python, используемые для машинного обучения. Практическое занятие.
Google Colaboratory - облачный сервис на среде Jupyter Notebook Библиотека Pandas - работа с таблицами Создание, чтение и запись таблиц Индексирование, выборка и присваивание значений Группировка, сортировка, комбинирование Типы данных и работа с пропущенными значениями Seaborn и matplotlib - библиотеки для визуализации данных

Лекция 3. Байесовский классификатор. Метод максимального правдоподобия. Априорная и апостериорная информация.
Проверка статистических гипотез Принятие решений в бинарной ситуации, при нескольких возможных исходах Байесовский подход Наблюдения параметра на фоне гауссового шума Метод моментов и метод максимального правдоподобия

Лекция 4. Линейные методы регрессии и классификации.
Разбор задачи на проверку статистических гипотез Схема постановки и решения задач обучения с учителем Феномен Рунге Гиперпараметры Задачи линейной регрессии и линейной бинарной классификации Решение задачи линейной регрессии Вероятностный подход к задаче линейной регрессии и классификации

Лекция 5. Метрические методы регрессии и классификации.
Разбор теории предыдущих лекций на практике Примеры задач Классификация объектов по соседям Метод k ближайших соседей (kNN) Сравнение с линейным классификатором Примеры ядер

Лекция 6. Метод опорных векторов.
Задача линейной бинарной классификации Метод опорных векторов Условия Каруша-Куна-Таккера Двойственная задача, её решение Часто используемые ядра SVM регрессия и метрические методы

Лекция 7. Многомерная линейная и нелинейная регрессия. Градиентные методы.
Линейная регрессия Метод наименьших квадратов Метод главных компонент Нелинейная регрессия порядка

Лекция 8. Критерии оценки качества моделей. Логические закономерности.
Критерии качества в задачах бинарной классификации Синтез правил на основе выбранных семейств Критерии информативности правил Решающие деревья Плюсы и минусы

Лекция 9. Ансамбли алгоритмов. Беггинг и бустинг.
Метод рандомизации алгоритмов Рандомный лес - частный случай беггинга Градиентный бустинг Нелинейные ансамбли алгоритмов Смесь алгоритмов

Лекция 10. Искусственные нейронные сети. Базовые архитектуры и методы обучения.
Ограниченность единственного нейрона Метод обратного распространения Выбор функции активации Оптимальное прореживание Начальная инициализация параметров Светоточные и остаточные нейронные сети

Лекция 11. Нейронные сети для распознавания цифр. Задачи обучения без учителя. Часть 1.
Нейронные сети для распознавания цифр Нейронные сети для распознавания цифр: аугментация Нейронные сети в задачах обучения без учителя

Лекция 12. Задачи обучения без учителя. Часть 2.
Автокодировщики Самообучение Векторные представления текста

Лекция 13. Работа с временными рядами.
Стандартные процессы Линейные инвариантные по времени системы Единичные корни Модель APПCC (ARIMA) и СAPПCC (SARIMA) Нейросетевые методы прогнозирования

Лекция 14. Обучение с подкреплением.