от 10 до 16 недель
от 4 до 7 часов в неделю
2 зачётных единиц
русский языкМашинное обучение – раздел искусственного интеллекта, изучающий методы построения моделей и алгоритмов, способных обучаться. Методы машинного обучения используются при решении широкого круга прикладных задач, для которых разработка явного алгоритма решения затруднительна или невозможна. И этот круг задач постоянно расширяется. Повсеместная информатизация приводит к накоплению огромных объёмов данных в науке, производстве, бизнесе, транспорте, здравоохранении.
Курс «Машинное обучение» посвящен изучению одного из наиболее популярных разделов машинного обучения – машинного обучения с учителем. Приводятся краткая история и парадигмы машинного обучения, основные принципы машинного обучения с учителем, рассматриваются постановки задач регрессии и классификации, используемые для их решения модели, методы обучения и оценки качества обученных моделей, рассматриваются особенности организации процесса обучения с учителем и применения методов машинного обучения для решения практических задач. Изложение ведется строгим математическим языком, сопровождается множеством формул и математических выкладок. Для изучения данного курса требуются знания университетских курсов математического анализа, линейной алгебры, теории вероятностей и математической статистики. Желательны базовые знания методов оптимизации и прикладного статистического анализа данных.
Цель курса состоит в получении и закреплении теоретических и практических знаний, необходимых для решения прикладных задач машинного обучения с учителем.
Курс ориентирован на студентов и аспирантов, обучающихся по направлению Прикладная математика и информатика, а также на исследователей, интересующиеся наукой о данных и применяющих машинное обучение и статистические методы в своей научной и практической деятельности.
В курсе изучаются математические основы машинного обучения. Основное внимание уделяется обучению с учителем и решаемые с его помощью задачи: регрессия и классификация данных. Рассматриваются принципы организации машинного с учителем, методы обучения и оценки обобщающей способности обученных моделей, приводятся практические рекомендации при построении моделей машинного обучения с учителем.
Курс является двуязычным. Материал подается в основном на английском языке с русскими субтитрами.
Стоимость доступа к материалам курса за исключением ознакомительной части (включая тестовые материалы и возможность пройти экзамен с прокторингом и получить сертификат) составляет 3600 рублей. Для этого нужно пройти текущее тестирование не меньше чем на 60% и итоговый тест не меньше чем на 60%.
1. Alpaydin, E. (2014). Introduction to machine learning. MIT press.
2. Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge university press.
3. Raschka, S. (2015). Python machine learning. Packt Publishing Ltd.
4. J. Gareth, et al. An introduction to statistical learning. New York: Springer, 2013.
5. Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
6. Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to linear regression analysis (Vol. 821). John Wiley & Sons.
7. Michalski, R. S., Carbonell, J. G., & Mitchell, T. M. (Eds.). (2013). Machine learning: An artificial intelligence approach. Springer Science & Business Media.
8. Vapnik, Vladimir. The nature of statistical learning theory. Springer science & business media, 2013.
9. Hansen, B. E. (2009). Lecture notes on nonparametrics. Lecture notes.
Знание английского языка на уровне не ниже Intermediate.
Module 1. Introduction.
Lesson 1. What is Machine Learning?
Lesson 2. Machine Learning and Data Science.
Lesson 3. Machine Learning Milestones.
Lesson 4. Machine Learning Pipeline.
Lesson 5. Supervised and unsupervised learning.
Lesson 6. Other machine learning paradigms.
Module 2. Supervised Learning. Basic principles.
Lesson 1. Inductive bias and generalization.
Lesson 2. Loss function and empirical risk.
Lesson 3. Cross-validation techniques.
Lesson 4. Regression.
Module 3. Supervised Learning. Classification Problem.
Lesson 1. Loss functions in classification.
Lesson 2. Statistical view to empirical risk minimization.
Lesson 3. Confusion matrix based measures.
Lesson 4. ROC curve.
Lesson 5. PR curve.
Lesson 6. ECOC method.
Lesson 7. Multiclass performance measures.
Module 4. Bayesian Classification.
Lesson 1. Bayesian decision rule.
Lesson 2. Density estimation in Bayesian classification.
Lesson 3. Normal Bayes classifier.
Lesson 4. Normal Bayes classifier with shared covariance matrix.
Lesson 5. 2-D Normal Bayesian classification.
Lesson 6. Bayes classifier for discrete features.
Lesson 7. Non-parametric density estimation and kernel functions.
Lesson 8. Kernel density estimation.
Знание основных парадигм машинного обучения
Знание моделей и методов машинного обучения с учителем
Знание методов оценки качества моделей машинного обучения
Умение применять методы машинного обучения для решения задач классификации и регрессии
Умение оценивать качество моделей машинного обучения
Владение терминологией машинного обучения
Владение инструментальными средствами для построения моделей машинного обучения с учителем
В результате успешного прохождения курса у вас сложится понимание того, что такое машинное обучение, для решения каких задач и в каких случаях его следует применять, в чем его преимущества и особенности. Вы узнаете о том, как устроены модели машинного обучения с учителем и как их использовать для решения задач классификации и регрессии, как работают алгоритмы обучения и что характеризуют их параметры, сможете осмысленно сконструировать модели машинного обучения, обучить их на имеющихся выборках данных и оценить их качество.
В результате обучения по курсу слушатель получит:
Завершён
СПбГУКурс уже началсяКурс уже начался
Кандидат технических наук, доцент
Должность: доцент Института интеллектуальных кибернетических систем НИЯУ МИФИ
На текущий момент запись на курс завершена
НИЯУ МИФИ