“Aprendizado de máquina” - curso 30.000 rublos. da MSU, treinando 3 semanas. (1 mês), Data: 2 de dezembro de 2023.

Seção 1. Introdução. Exemplos de tarefas. Métodos lógicos: árvores de decisão e florestas de decisão.

Métodos lógicos: classificação de objetos com base em regras simples. Interpretação e implementação. Combinação em uma composição. Árvores decisivas. Floresta aleatória.

Seção 2. Métodos de classificação métrica. Métodos lineares, gradiente estocástico.

Métodos métricos. Classificação baseada na similaridade. Distância entre objetos. Métricas. O método dos k-vizinhos mais próximos. Generalização para problemas de regressão usando suavização de kernel. Modelos lineares. Escalabilidade. Aplicabilidade ao método de gradiente estocástico de big data. Aplicabilidade para ajuste de classificadores lineares. O conceito de regularização. Características de trabalhar com métodos lineares. Métricas de qualidade de classificação.

Seção 3. Máquina de vetores de suporte (SVM). Regressão logística. Métricas de qualidade de classificação.

Modelos lineares. Escalabilidade. Aplicabilidade ao método de gradiente estocástico de big data. Aplicabilidade para ajuste de classificadores lineares. O conceito de regularização. Características de trabalhar com métodos lineares.

Seção 4. Regressão linear. Redução de dimensionalidade, método de componentes principais.

Modelos lineares para regressão. A sua ligação com a decomposição singular da matriz “objectos-características”. Reduzindo o número de sinais. Abordagens para seleção de recursos. Método dos componentes principais. Métodos de redução de dimensionalidade.

Seção 5. Composições de algoritmos, aumento de gradiente. Redes neurais.

Combinando modelos em uma composição. Correção mútua de erros de modelo. Conceitos básicos e declarações de problemas relacionados com composições. Aumento de gradiente.
Redes neurais. Procure superfícies divisórias não lineares. Redes neurais multicamadas e seu ajuste pelo método backpropagation. Redes neurais profundas: suas arquiteturas e recursos.

Seção 6. Clustering e visualização.

Problemas de aprendizagem não supervisionada. Encontrando estrutura nos dados. O problema de agrupamento é a tarefa de encontrar grupos de objetos semelhantes. A tarefa de visualização é a tarefa de mapear objetos em um espaço bidimensional ou tridimensional.

Seção 7. Problemas aplicados de análise de dados: formulações e métodos de solução.

A aprendizagem parcial como um problema entre a aprendizagem supervisionada e o agrupamento. Um problema de amostragem no qual o valor da variável alvo é conhecido apenas para alguns objetos. A diferença entre o problema de aprendizagem parcial e as formulações discutidas anteriormente. Abordagens para solução.
Análise de problemas de áreas aplicadas: pontuação em bancos, seguros, problemas de subscrição, problemas de reconhecimento de padrões.

Endereço

119991, Moscou, st. Leninskie Gory, 1, prédio. 51, 5º andar, sala 544 (escritório do reitor)

Mostrar no mapa