Дмитриев Константин Вячеславович
«Методы машинного обучения в анализе изображений и временных рядов»
Описание курса:
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.
План курса:
Лекция 1
Введение в машинное обучение. Задачи, подходы, возможности и проблемы
Лекция 2
Математическое введение. Необходимые сведения из линейной алгебры, теории вероятности, статистики, теории информации и численных методов
Лекция 3
Типы признаков. Первичная обработка и визуализация данных. Методы работы с пропущенными данными
Лекция 4
Обучение с учителем и без учителя. Регрессия и классификация. Емкость, переобучение и недообучение. Оптимизация и регуляризация. Гиперпараметры и их выбор
Лекция 5
Байесовский классификатор. Метод максимального правдоподобия. Априорная и апостериорная информация
Лекция 6
Линейные и метрические методы
Лекция 7
Композиции алгоритмов. Бустинг и беггинг. Дерево принятия решений. Случайный лес
Лекция 8
Нейронные сети. Градиентные методы
Лекция 9
Архитектуры нейронных сетей для разных задач. Свёрточные нейронные сети. Глубокие нейронные сети. Генеративные нейронные сети. Рекуррентные нейронные сети
Лекция 10
Работа с временными рядами. Спектральное оценивание. Фильтрация
Лекция 11
Методы АРСС. Построение прогнозов
Лекция 12
Обучение с подкреплением. Методы Монте-Карло
