Введение в методы машинного обучения 2
Основные типы моделей для поиска закономерностей в данных
Введение в анализ данных
Близость (похожесть) объектов. Кластеры и их поиск
Метод главных компонент
Продвинутые методы анализа
Нейронные сети.
А. Мюллер, С. Гвидо. Введение в машинное обучение с помощью PYTHON.
Р. Саттон, Э. Барто. Обучение с подкреплением
Ф. Шолле. Глубокое обучение на Python
Н. Шакла. Машинное обучение и TensorFlow.
Запись на курс по почте mikhail.kumskov@math.msu.ru
Рассматриваются основные типы моделей, используемые
закономерностей в данных: регрессионный анализ, кластеризация данных, построение простых и обобщенных деревьев решений, сокращение данных – метод главных компонент. Эти методы, входящие в научную дисциплину «Распознавания образов» (Pattern Recognition), являются основой такой быстро развивающейся дисциплины как Business Intelligence (BI) и Машинное обучение (Machine Learning). Методы широко используются в бизнес-аналитике.
Кратко обсуждаются идеи и методы нейронных сетей и машины поддерживающих векторов (SVM – Support Vector Machine), а также методы bootstrap-построения оценок при недостаточном числе исходных данных. Рассматриваются основные понятия «нечеткого» (fuzzy) анализа данных и их применения для построения новых признаков и ведения «нелинейности» в модели. Предлагаемые алгоритмы могут быть использованы в базах данных для восстановления (предсказания) пропущенных значений.