- Новости
- Краткая информация
- Время и место
- Связь с преподавателями
- Результаты выполнения заданий
- Программа курса
- Список литературы
- Полезные ссылки
- Выложено первое практическое задание. Дедлайн для получения полного балла - 08 апреля 2019
- Третья лекция и ноутбуки с третьего занятия
- Вторая лекция, первое теоретическое задание (дедлайн для получения полного балла - 01 апреля 2019) и ноутбуки со второго занятия
- Первая лекция
- Первая лекция состоится в пятницу, 15 февраля, в 18:30 в аудитории 1225 (ГЗ МГУ).
В весеннем семестре 2019 года на механико-математическом факультете МГУ им. М. В. Ломоносова начинается чтение нового спецкурса по выбору студента, посвященного классическим алгоритмам машинного обучения.
Курс будет читаться на базе кафедры Математической Теории Интеллектуальных Систем под руководством д.ф.-м.н., профессора Бабина Д. Н. Курс будут читать к.ф.-м.н. Петюшко А. А. и к.ф.-м.н. Иванов И. Е.
Курс читается по пятницам, 18:30, ГЗ МГУ, аудитория 1225.
- Telegram-канал, в котором будут появляться все важные новости
- Обратная связь - по почте mlcoursemm@gmail.com
- Ну и всегда можно написать в issues :)
- Первое практическое задание
- Сроки сдачи: дедлайн 8 апреля, если будет сдача после него - баллы умножаются на 0.5
- Разбалловка указана в самом ноутбуке
- Решения присылать на почту курса mlcoursemm@gmail.com
- Формат: ноутбук с Вашим кодом
- Первое теоретическое задание
- Сроки сдачи: дедлайн 1 апреля, если будет сдача после него - баллы умножаются на 0.5
- Разбалловка: 1 балл за задачу, если в задаче подпункты - то по баллу за каждый подпункт
- Решения присылать на почту курса mlcoursemm@gmail.com
- Формат: лучше пдф-кой (сделать в ТеХе), но можно и просто сфотографировать решение на камеру
- Итоговая табличка: Ссылка на гуглдокс
Тема 1. Постановка задач машинного обучения. Понятие искусственного интеллекта.
Тема 2. Валидация алгоритмов, различные типы валидации.
Тема 3. Переобучение. Недообучение. Декомпозиция ошибки на смещение и разброс.
Тема 4. Методы классификации. Байесовский подход.
Тема 5. Введение в язык программирования Python. Обзор библиотеки scikit-learn.
Тема 6. Методы классификации. Метрические методы.
Тема 7. Стохастический градиентный спуск.
Тема 8. Методы классификации. Линейные классификаторы.
Тема 9. Введение в искусственные нейронные сети. Теорема Новикова.
Тема 10. Машины опорных векторов.
Тема 11. Решающие деревья и логические методы классификации.
Тема 12. Методы восстановления регрессии. Линейные модели.
Тема 13. Методы восстановления регрессии. Нелинейные модели.
Тема 14. Композиции алгоритмов машинного обучения. Композиции классификаторов.
Тема 15. Тестирование алгоритмов, метрики качества.
Тема 16. Задачи компьютерного зрения.
- Курс лекций по машинному обучению на http://www.machinelearning.ru от Воронцова К. В.
- Hastie, T. and Tibshirani, R. and Friedman, J. The Elements of Statistical Learning, 2nd edition, Springer, 2009.
- Bishop, C.M. Pattern Recognition and Machine Learning, Springer, 2006.
- Краткая справочная информация по Python, NumPy, SciPy, SciKit-learn, Pandas, MatPlotLib, Jupyter Notebook: см. в соответствующей папке курса
- Python Programming in 15 min: Part1, Part2, Part3
- Python Programmin - A Modern Approach: Code, notebooks and slides
- Playground and Cheatsheet for Learning Python: github repo
- Homemade Machine Learning: github repo
- Machine learning: Курс Andrew Ng на площадке https://www.coursera.org