О курсе

В курсе рассматриваются основные задачи обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Теоремы в основном приводятся без доказательств.

Тематический план

• Линейный классификатор и стохастический градиент.
• Метрические методы классификации и регрессии.
• Метод опорных векторов.
• Многомерная линейная регрессия. Нелинейная регрессия.
• Критерии выбора моделей и методы отбора признаков.
• Логические методы классификации.
• Линейные ансамбли. Продвинутые методы ансамблирования.
• Оценивание плотности и байесовская классификация.
• Кластеризация и частичное обучение.
• Нейронные сети глубокого обучения.
• Нейронные сети с обучением без учителя.
• Векторные представления текстов и графов.
• Модели внимания и трансформеры.
• Тематическое моделирование.
• Обучение ранжированию.
• Рекомендательные системы.
• Поиск ассоциативных правил.
• Адаптивные методы прогнозирования.
• Инкрементное и онлайновое обучение.
• Обучение с подкреплением.
• Активное обучение.

Самостоятельная работа

Нет.

Оценивание

В конце курса студенты сдают устный экзамен по всем темам курса.

Требуемые знания

Теория вероятностей, статистика, методы оптимизации, линейная алгебра.