Введение в машинное обучение
Объем курса - 20 ак. ч. Формат обучения - онлайн.
Краткосрочная навыковая образовательная программа.
Бесплатно для студентов филиалов НИЯУ МИФИ и сотрудников ГК "Росатом".
Курс реализуется Digital-Центром НИЯУ МИФИ при поддержке ГК "Росатом".
Вы научитесь
1
Оценивать целесообразность применения машинного обучения для решения практических задач
2
Использовать современные программные библиотеки для построения и анализа моделей машинного обучения
3
Проектировать и обучать модели машинного обучения, оценивать качество обученных моделей и их обобщающие способности

Преимущества программы
Обучение бесплатно для студентов НИЯУ МИФИ и филиалов и сотрудников ГК "Росатом"
Все слушатели, прошедшие обучение, получат сертификат о прохождении курса
Все занятия проходят онлайн
Расписание курса
Программа реализуется в формате
5 вебинаров с 2 по 16 февраля
(объем программы: 20 ак. часов).
17:00 – 20:00

2 февраля 2022
17:00 – 20:00

2 февраля 2022
Занятие 1: Основные парадигмы машинного обучения
Машинное обучение и науки о данных. Data-driven и model-based подходы. История машинного обучения. Общая схема решения задач машинного обучения. Стандарт CRISP-DM. Типы задач машинного обучения. Примеры прикладных задач. Основные понятия и определения. Обзор основных парадигм машинного обучения.
17:00 – 20:00

4 февраля 2022
17:00 – 20:00

4 февраля 2022
Занятие 2: Обучение с учителем: основные принципы
Методы обучения с учителем. Обучающийся алгоритм. Индуктивный порог. Проблема переобучения и понятие обобщающей способности. Функция потерь. Теоретический и эмпирический риск. Принцип минимизации эмпирического риска. Смещение и дисперсия ошибки обучаемой модели. Разложение «bias-variance». Связь сложности модели, индуктивного порога и способности к обобщению. Оценивание точности обученных моделей. Методы кросс-валидации: hold-out, k-fold, LOOCV. Стратификация выборки при кросс-валидации, внутренняя кросс-валидация.
17:00 – 20:00

9 февраля 2022
17:00 – 20:00

9 февраля 2022
Занятие 3: Обучение с учителем - классификация и регрессия
Постановка задачи линейного регрессионного анализа, оценивание параметров регрессионной модели, оценка точности регрессионной модели, регрессионные остатки. Задачи валидации регрессионной модели. Анализ коэффициента детерминации. Анализ регрессионных остатков. Постановка задачи классификации. Бинарная классификация. Функция потерь и эмпирический риск классификатора. Виды функций потерь. Статистический взгляд на задачу обучения. Принцип минимизации эмпирического риска и метод максимального правдоподобия. Регуляризованный эмпирический риск. Оценка точности бинарного классификатора. Матрица ошибок. Специфичность и чувствительность, точность и полнота. ROC-анализ и PR-анализ. Показатели ROC AUC и PR AUC. Постановка задачи многоклассовой классификации. Подходы к многоклассовой классификации. Метод ECOC. Схемы кодирования. Методы декодирования. Оценка точности многоклассового классификатора. Матрица ошибок. Микро- и макро- показатели точности. Специфичность и чувствительность, точность и полнота. Микро- и макро- ROC-анализы и PR-анализы.
17:00 – 20:00

11 февраля 2022
17:00 – 20:00

11 февраля 2022
Занятие 4: Байесовская классификация
Порождающие и разделяющие модели классификации. Бинарная функция потерь. Байесовское решающее правило. Дискриминантные функции. Нормальный байесовский классификатор. Расстояние Махаланобиса. Наивный байесовский классификатор. Регуляризованный байесовский классификатор. Байесовская классификация бинарных и мультиномиальных признаков. Пример применения к задаче категоризации документов. Непараметрический байесовский классификатор. Наивная оценка плотности распределения. Ядерная оценка плотности распределения. Виды ядерных функций. Парзеновское окно. Показатель точности оценки плотности. Разложение «bias-variance» оценки. Подходы к выбору ширины парзеновского окна. Метод Сильвермана. Оценивание многомерных плотностей распределения. Многомерные ядерные функции.
17:00 – 20:00

16 февраля 2022
17:00 – 20:00

16 февраля 2022
Занятие 5: Обучение без учителя - введение в кластерный анализ
Виды обучения без учителя. Сравнение обучения с учителем и без учителя. Примеры практических задач. Кластерный анализ данных: цели, история развития, постановка задачи. Виды кластерного анализа. Общая схема решения задачи кластеризации. Метод K-средних. Алгоритм K-means++. Агломеративная иерархическая кластеризация. Визуализация результатов кластеризации. Дендрограмма. Методы расчета расстояния между кластерами. Статистическое расстояние. Метод Уорда. Формула Ланса-Вильямса. Выбор числа кластеров. Метод локтя.
Трофимов Александр Геннадьевич
Преподаватель курса
Доцент
Института интеллектуальных кибернетических систем НИЯУ МИФИ
Кандидат технических наук
Регистрация на курс закрыта!
По всем вопросам обращайтесь на электронную почту digital@mephi.ru

Генеральный партнёр образовательной программы — Госкорпорация "Росатом"

Образовательная программа "Введение в машинное обучение" проводится
на базе Digital-Центра НИЯУ МИФИ.
Связаться с нами:
+7 (495) 788 56 99, доб. 9688
digital@mephi.ru