“Aprendizaje automático” - curso 30.000 rublos. de MSU, entrenando 3 semanas. (1 mes), Fecha: 2 de diciembre de 2023.

Sección 1. Introducción. Ejemplos de tareas. Métodos lógicos: árboles de decisión y bosques de decisión.

Métodos lógicos: clasificación de objetos basada en reglas simples. Interpretación e implementación. Combinación en una composición. Árboles decisivos. Bosque aleatorio.

Sección 2. Métodos de clasificación métrica. Métodos lineales, gradiente estocástico.

Métodos métricos. Clasificación basada en la similitud. Distancia entre objetos. Métrica. El método de los k vecinos más cercanos. Generalización a problemas de regresión mediante suavizado del kernel. Modelos lineales. Escalabilidad. Aplicabilidad al método de gradiente estocástico de big data. Aplicabilidad para ajustar clasificadores lineales. El concepto de regularización. Características de trabajar con métodos lineales. Métricas de calidad de clasificación.

Seccion 3. Máquina de vectores de soporte (SVM). Regresión logística. Métricas de calidad de clasificación.

Modelos lineales. Escalabilidad. Aplicabilidad al método de gradiente estocástico de big data. Aplicabilidad para ajustar clasificadores lineales. El concepto de regularización. Características de trabajar con métodos lineales.

Sección 4. Regresión lineal. Reducción de dimensionalidad, método de componentes principales.

Modelos lineales de regresión. Su conexión con la descomposición singular de la matriz “objetos-características”. Reducir el número de señales. Enfoques para la selección de características. Método del componente principal. Métodos de reducción de dimensionalidad.

Sección 5. Composiciones de algoritmos, aumento de gradiente. Redes neuronales.

Combinar modelos en una composición. Corrección mutua de errores del modelo. Conceptos básicos y planteamientos de problemas relacionados con las composiciones. Aumento de gradiente.
Redes neuronales. Busque superficies divisorias no lineales. Redes neuronales multicapa y su sintonización mediante el método de retropropagación. Redes neuronales profundas: sus arquitecturas y características.

Sección 6. Agrupación y visualización.

Problemas del aprendizaje no supervisado. Encontrar estructura en los datos. El problema de agrupamiento es la tarea de encontrar grupos de objetos similares. La tarea de visualización es la tarea de mapear objetos en un espacio bidimensional o tridimensional.

Sección 7. Problemas de análisis de datos aplicados: formulaciones y métodos de solución.

El aprendizaje parcial como problema entre el aprendizaje supervisado y el clustering. Un problema de muestreo en el que el valor de la variable objetivo se conoce sólo para algunos objetos. La diferencia entre el problema de aprendizaje parcial y las formulaciones discutidas anteriormente. Enfoques de solución.
Análisis de problemas desde áreas aplicadas: scoring en bancos, seguros, problemas de suscripción, problemas de reconocimiento de patrones.

DIRECCIÓN

119991, Moscú, calle. Leninskie Gory, 1, edif. 51, 5to piso, sala 544 (Oficina del Decano)

Mostrar en el mapa