course language
course duration
needed to educate
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.
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.
Курс включает в себя видеолекции, презентации, лекции (конспекты) и практические занятия.
Изучение курса опирается на знания в теории вероятностей и математической статистики, линейной алгебры и методов оптимизации.
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
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.
course language
course duration
needed to educate
for credit at your university
Д.т.н., профессор
Position: директор Высшей школы прикладной математики и вычислительной физики, ИПММ
Position: магистрант Высшей школы прикладной математики и вычислительной физики, ИПММ
Position: магистрант Высшей школы прикладной математики и вычислительной физики, ИПММ
По данному курсу возможно получение сертификата.
Стоимость прохождения процедур оценки результатов обучения с идентификацией личности - 1800 ₽.
A participant certificate is usually issued upon reaching 60 % of the overall rating, subject to the delivery of works before a hard deadline. The honors certificate is usually issued upon reaching 90 % of the overall rating, subject to the delivery of the work before the soft deadline.