Машинное обучение - 2 - учебный курс | ИСТИНА – Интеллектуальная Система Тематического Исследования НАукометрических данных

Автор: Кумсков М.И.
Год создания: 2025
Организация: МГУ имени М.В. Ломоносова
Описание: Постановка задачи и обозначения. 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. Список источников Х. Брикс, Дж. Ричардс, М. Феверолф. Машинное обучение. 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. Дополнительная информация 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.
Добавил в систему: Кумсков Михаил Иванович

	ИСТИНА	Войти в систему Регистрация
	ИСТИНА ЦЭМИ РАН
	Главная Поиск Статистика О проекте Помощь

ИСТИНА

ИСТИНА ЦЭМИ РАН

Машинное обучение - 2учебный курс

Преподавание курса