"Apprendimento automatico" - corso 30.000 rubli. da MSU, formazione 3 settimane. (1 mese), data: 30 novembre 2023.

Sezione 1. Introduzione. Esempi di compiti. Metodi logici: alberi decisionali e foreste decisionali.

Metodi logici: classificazione di oggetti in base a semplici regole. Interpretazione e attuazione. Combinazione in una composizione. Alberi decisivi. Foresta casuale.

Sezione 2. Metodi di classificazione metrica. Metodi lineari, gradiente stocastico.

Metodi metrici. Classificazione basata sulla somiglianza. Distanza tra gli oggetti. Metrica. Il metodo dei k-vicini più vicini. Generalizzazione a problemi di regressione utilizzando il kernel smoothing. Modelli lineari. Scalabilità. Applicabilità ai big data Metodo del gradiente stocastico. Applicabilità per l'ottimizzazione dei classificatori lineari. Il concetto di regolarizzazione. Caratteristiche di lavorare con metodi lineari. Metriche di qualità della classificazione.

Sezione 3. Supporta Vector Machine (SVM). Regressione logistica. Metriche di qualità della classificazione.

Modelli lineari. Scalabilità. Applicabilità ai big data Metodo del gradiente stocastico. Applicabilità per l'ottimizzazione dei classificatori lineari. Il concetto di regolarizzazione. Caratteristiche di lavorare con metodi lineari.

Sezione 4. Regressione lineare. Riduzione della dimensionalità, metodo delle componenti principali.

Modelli lineari per la regressione. Il loro legame con la scomposizione singolare della matrice “oggetti-caratteristiche”. Ridurre il numero di segni. Approcci alla selezione delle caratteristiche. Metodo delle componenti principali. Metodi di riduzione della dimensionalità.

Sezione 5. Composizioni di algoritmi, gradient boosting. Reti neurali.

Combinazione di modelli in una composizione. Correzione reciproca degli errori del modello. Concetti di base e formulazione di problemi relativi alle composizioni. Aumento del gradiente.
Reti neurali. Cerca superfici di divisione non lineari. Reti neurali multistrato e loro ottimizzazione mediante il metodo della backpropagation. Reti neurali profonde: loro architetture e caratteristiche.

Sezione 6. Clustering e visualizzazione.

Problemi di apprendimento non supervisionato. Trovare la struttura nei dati. Il problema del clustering è il compito di trovare gruppi di oggetti simili. Il compito di visualizzazione è il compito di mappare gli oggetti nello spazio bidimensionale o tridimensionale.

Sezione 7. Problemi applicati all'analisi dei dati: formulazioni e metodi di soluzione.

L'apprendimento parziale come problema tra apprendimento supervisionato e clustering. Un problema di campionamento in cui il valore della variabile target è noto solo per alcuni oggetti. La differenza tra il problema dell'apprendimento parziale e le formulazioni precedentemente discusse. Approcci alla soluzione.
Analisi di problemi provenienti da aree applicative: scoring in banche, assicurazioni, problemi di sottoscrizione, problemi di riconoscimento di modelli.

Indirizzo

119991, Mosca, st. Leninskie Gory, 1, edificio. 51, 5° piano, stanza 544 (ufficio del preside)

Mostra sulla mappa