Современные методы машинного обучения и искусственного интеллекта

О курсе

Курс нацелен на получение профессиональных компетенций, включающих в себя способность решать задачи анализа данных и машинного обучения с использованием современных программных библиотек, постановку задач машинного обучения (обучения с учителем, обучения без учителя, классификации, регрессии, кластеризации и др.); основные алгоритмы и методы машинного обучения, основные принципы глубокого обучения, основные этапы решения задач анализа данных; применять разведочный анализ данных, использовать методы обучения с учителем и обучения без учителя для решения задач анализа данных; навыки пользования современными программными средствами для решения задач машинного обучения: библиотеками NumPy, Pandas, Matplotlib, Scikit-Learn и др. на языке Python в среде Jupyter notebook.

Содержание курса

Тема 1. Постановки и примеры задач

Тема 2. Обзор Python и Jupyter Notebook

Тема 3. Метрики качества. Переобучение и недообучение. Подготовка данных

Тема 4. Метод наименьших квадратов для решения задачи восстановления регрессии

Тема 5. Логистическая регрессия. Нейронные сети. Метод обратного распространения ошибки. Регуляризация

Тема 6. Глубокое обучение

Тема 7. Обзор других методов обучения с учителем (байесовский и наивный байесов классификатор; линейный и квадратичный дискриминантный анализ; машина опорных векторов; деревья решений и их ансамбли)

Тема 8. Понижение размерности. Метод главных компонент

Тема 9. Методы кластеризации (самостоятельная работа)

Преподаватели

Золотых Николай Юрьевич

Доктор физико-математических наук, доцент, директор
Института информационных технологий, математики и механики ННГУ им. Н.И. Лобачевского

Кустикова Валентина Дмитриевна

Кандидат технических наук, доцент, доцент кафедры высокопроизводительных вычислений и системного программирования ННГУ им. Н.И. Лобачевского