/ML4ES_2019-2020

Machine learning for Earth Sciences F2019-S2020

Primary LanguageJupyter Notebook

ML4ES_2019-2020

Machine learning for Earth Sciences F2019-S2020 by Mikhail Krinitskiy (RG link)

Машинное обучение для решения исследовательских и инженерных задач в науках о Земле. Читает Михаил Криницкий

Метод оценки домашних заданий.

Правила распространения источников

UPDATE 2020-05-06

Подборка книг издательства Springer, доступных для свободной загрузки, по компьютерным наукам, комьютерному зрению, машинному обучению и науке о данных.

Полный список книг издательства Springer, выложенных в открытый доступ для свободной загрузки.

ВНИМАНИЕ! Зачетная сессия II-го семестра

Здесь можно ознакомиться с предварительным списком вопросов к зачету за II семестр. Список будет дополняться по мере продвижения по материалу курса в рамках оставшихся лекций.

Здесь опубликован окончательный план по домашним заданиям во II семестре.

Здесь опубликованы достижения студентов курса за II семестр. Можно сравнивать свои достижения с планом по домашним заданиям.

Зачетная сессия I-го семестра

UPDATE 2019-11-27 Поскольку лекция 03.12.2019 будет заключительной, состав домашних заданий зафиксирован на трех. В плане по домашним заданиям и их оценке есть изменения, касающиеся автозачетов и допуска к зачетам по 1му семестру.

UPDATE 2019-12-11

Здесь отметки об автозачетах, допуске к зачету и зачетах.

UPDATE 2019-12-16

Здесь можно ознакомиться со списком вопросов к зачету за первый семестр.

Title Date Topic Content
I семестр
Лекция 0 17.09.2019 Вводная лекция. Машинное обучение в науках о Земле. слайды
Лекция 1 01.10.2019 Типы задач машинного обучения слайды
ДЗ 1 01.10.2019
due: 15.10.2019		 Задачи в науках о Земле как задачи машинного обучения описание
результаты
Лекция 2 08.10.2019 Типы задач машинного обучения,
Вероятностные основы линейной регрессии		 слайды
ДЗ 2 08.10.2019
due: 22.10.2019		 Вывод функции ошибки для линейной регрессии
с шумом, распределенным по Лапласу		 описание
результаты
Лекция 3 15.10.2019 О расширении пространства признаков слайды
Лекция 4 22.10.2019 Технические средства анализа данных ссылки
notebook 1
notebook 2
Лекция 5 29.10.2019 Технические средства анализа данных (2) notebook 1
notebook 2, data
Лекция 6 05.11.2019 Оценка качества моделей машинного обучения notebook and data
Онлайн-семинар
(4й курс)		 18.11.2019 Оценка неопределенностей в машинном обучении notebook
ДЗ 3
(4й курс)		 18.11.2019
due: 03.12.2019		 Решение задачи линейной регрессии с оценкой качества и неопределенностей описание, данные, ноутбуки
результаты
Онлайн-семинар
(5й курс)		 25.11.2019 Оценка неопределенностей в машинном обучении notebook
видеозапись
ДЗ 3
(5й курс)		 25.11.2019
due: 10.12.2019		 Решение задачи линейной регрессии с оценкой качества и неопределенностей описание, данные, ноутбуки
результаты
Лекция 8 26.11.2019 Градиентная оптимизация моделей машинного обучения notebook, скрипты, картинки
Лекция 9 03.12.2019 Градиентная оптимизация моделей машинного обучения - 2 notebook, скрипты, картинки
II семестр
Лекция 10 18.02.2020 Задачи классификации.
Метод K ближайших соседей, байесовский классификатор		 слайды
Лекция 11 03.03.2020 Задачи классификации (продолжение).
Наивный байесовский классификатор, линейный и квадратичный дискриминантный анализ, логистическая регрессия		 слайды, notebooks
Лекция 12 10.03.2020 Задачи классификации: мультиномиальная логистическая регрессия, автоградиент материалы лекции
Лекция 13 17.03.2020
18.03.2020		 Оценка качества моделей в задачах классификации материалы лекции;
видеозапись 17.03
видеозапись 18.03
ДЗ 4 24.03.2020
due: 07.04.2020		 Мультиномиальная логистическая регрессия и оценка качества моделей классификации описание, данные, стартовый ноутбук
результаты
Лекция 14 25.03.2020 Обобщенные линейные модели; обобщенные аддитивные модели; искусственные нейронные сети материалы лекции;
видеозапись
Лекция 15 31.03.2020 Практическое занятие. Искусственная нейронная сеть в задаче мультиномиальной классификации. материалы занятия
видеозапись p.1
видеозапись p.2
Лекция 16 07.04.2020 Оптимизация функции потерь глубоких искусственных нейронных сетей материалы лекции
видеозапись
Лекция 17 10.04.2020 Метод опорных векторов материалы лекции
Видеозапись
ДЗ 5 14.04.2020
due: 17.04.2020		 Выпуклость функции потерь логистической регрессии описание ДЗ
результаты
Лекция 18 14.04.2020 Метод обратного распространения ошибки материалы лекции
видеозапись
ДЗ 6 15.04.2020
due: 24.04.2020		 Графы вычислений и применение метода обратного распространения ошибки на примере модели логистической регрессии описание ДЗ
результаты
Лекция 19 15.04.2020 Методы инициализации нейронных сетей материалы лекции
Видеозапись 1 (обсуждение ДЗ)
Видеозапись 2 (лекция)
Лекция 20 21.04.2020 Подходы ускорения и стабилизации обучения нейронных сетей материалы лекции
Видеозапись
Лекция 21 28.04.2020 Методы регуляризации искусственных нейронных сетей материалы лекции
видеозапись
Лекция 22 29.04.2020 Непараметрические модели: деревья решений материалы лекции
видеозапись
Лекция 23 06.05.2020 Ансамбли моделей материалы лекции
видеозапись
Лекция 24 12.05.2020 Сверточные нейронные сети материалы лекции
видеозапись
Занятие 25 13.05.2020 Сверточные нейронные сети: операция свертки своими руками (практика) Материалы занятия
ДЗ 7 14.05.2020
due: 21.05.2020		 Применение методов машинного обучения в реальной задаче геофизики описание ДЗ

Рекомендуемая литература

(следите за обновлениями!)

  • Флах П. "Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных." / Флах П. М.: ДМК Пресс, 2015. 400 c.
  • Гудфеллоу Я., Бенджио И., Курвилль А. "Глубокое обучение." / М.: ДМК Пресс, 2017. 652 c.
  • Николенко С. И., Кадурин А. А., Архангельская Е. О. "Глубокое обучение." / СПб.: Питер. 2019. 480 с.

Дополнительные источники