up

Основы нейроинформатики и машинного обучения

  • Russian

    course language

  • 8 weeks

    course duration

  • от 5 до 6 часов в неделю

    needed to educate

  • 2 credit points

    for credit at your university

В курсе рассматриваются основные разделы машинного обучения как элемента общего направления искусственного интеллекта.

Особое внимание уделено основным задачам и определениям машинного обучения, включая индуктивное и дедуктивное обучение, обучение с учителем и без учителя. Рассмотрены основные методы и модели машинного обучения, включая метод ближайших соседей, деревья решений, нейронные сети. Даются понятия объяснительного интеллекта. Изучение курса опирается на знания в области теории вероятностей и математической статистики, линейной алгебры и методов оптимизации.

About

Машинное обучение как часть направления искусственного интеллекта является одним из наиболее перспективных и динамично развивающихся областей исследований, результаты которого уже сегодня демонстрируют эффективность в самых различных прикладных областях: в медицине, биологии, робототехнике, в обработке больших объемов данных, в создании автономных систем и устройств, в распознавании речи, поисковых системах.

В курсе рассматриваются основные положения, понятия, методы, модели и алгоритмы машинного обучения для решения задач классификации, восстановления регрессии и кластеризации. Особое внимание уделено фундаментальным понятиям машинного обучения, включая эмпирический функционал риска или ошибки, переобучение, компромисс между обучением и тестированием. Также большое внимание уделено вопросам, связанным с обучением нейронных сетей, с различными конфигурациями нейронных сетей, включая сверточные сети и порождающие сети.

 

Format

Курс включает в себя видеолекции, презентации, лекции (конспекты) и практические занятия.

  1. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974.
  2.  Мерков А.Б. Распознавание образов. Введение в методы статистического обучения. М.: Едиториал УРСС, 2011.
  3.  Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004.
  4.  Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. М.: ДМК Пресс, 2015
  5.  Домингос П. Верховный алгоритм: как машинное обучение изменит наш мир. М. : Манн, Иванов и Фербер, 2016.
  6. Презентации лекций Уткина Л.В.: https://levutkin.github.io/teaching/machine-learning    

Requirements

Изучение курса опирается на знания в теории вероятностей и математической статистики, линейной алгебры и методов оптимизации.

Course program

Тема 1. Введение в машинное обучение        

            Лекция 1. Базовые понятия машинного обучения. Основные инструменты машинного обучения

            Лекция 2. Визуализация данных. Математические модели и методы.

Тема 2. Методы машинного обучения.

            Лекция 3. Алгоритм распознавания

            Лекция 4. Методы обучения: машинное обучение с учителем, машинное обучение без учителя, оценка качества модели

Тема 3. Введение в нейронные сети    

            Лекция 5. Базовые понятия и определения нейронных сетей

            Лекция 6. Базовые архитектуры нейронных сетей

            Лекция 7. Алгоритмы машинного обучения

Тема 4. Модели знаний и элементы объяснительного интеллекта         

            Лекция 8. Формирование моделей знаний

            Лекция 9. Элементы объяснительного интеллекта.

Тема 5. Перспективы развития нейронных сетей.  

Лекция 10. Перспективы направления применения нейронных сетей в прикладных задачах распознавания экспериментальных данных

Education results

Знание основ машинного обучения, основных понятий и методов построения и анализа моделей классификации, регрессии и кластеризации; понятий и методов обучения нейронных сетей, понятий объяснительного интеллекта и интерпретации прогнозируемых значений.  

Умение обучать модель в соответствии с методом ближайших соседей, умение обучать нейронную сеть на основе реальных обучающих данных; определять какую модель следует использовать для обучения и анализировать результаты обучения.

Education directions

Уткин Лев Владимирович

Д.т.н., профессор
Position: директор Высшей школы прикладной математики и вычислительной физики, ИПММ

портрет преподавателя

Пурий Александр Алексанрович


Position: магистрант Высшей школы прикладной математики и вычислительной физики, ИПММ

портрет преподавателя

Быкова Кристина Анатольевна


Position: магистрант Высшей школы прикладной математики и вычислительной физики, ИПММ

Similar courses