Материалы по курсу "Введение в машинное обучение"

Машинное обучение изучается применительно к задачам компьютерного зрения. Так, первый семестр служит изучению методов сбора числовых данных из изображения/ий: средняя интенсивность, площадь бинарного объекта и тому подобное. В данном семестр будет показаны автоматические метода анализа этих собранных данных.

2019/2020 учебный год

Новости:

1. Занятие 16 марта отменяется в связи с проведением консультаций по теме компьютерного зрения для одного из заводов в период с 16 по 21 марта.
2. Занятие 9 марта отменяется в связи с празднованием 8-марта (перенос выходного).
3. Первое занятие 2 марта 2020 г.
4. В весеннем семестре (2020 г.) занятия (практикум) будут проходить по понеделникам в 16:45 в аудитории 13-15 ГЗ.

Фактические темы лекций:

Фактическое расписание занятий на мехмате:

Фактическое расписание занятий на экономфаке:

Прошлые года

2018/2019 учебный год

1. 13 мая будет только практическое занятие, т.е. в 16:45.
2. В связи с майскими праздниками 6 мая занятий не будет: как практикума, так и лекции.
3. Сегодня, 1 апреля 2019 г., лекция, та которая на шестой паре, будет проходить в аудитории 16-24. Внимание, это не первоапрельская шутка!
4. Ввиду неоднозначности (из-за пересдач) по занятости аудитории 14-08, 18 февраля лекции не будет. Но практикум в 13-15 сохраняется!
5. Первое занятие 18 февраля 2019 г.
6. В весенний семестр 2019 г. занятия (практикум) будут проходить по понеделникам в 16:45 в аудитории 13-15 ГЗ. Шестая пара (лекция) в 14-08.

1. часть 1. Введение в питон.
2. часть 2. Вычисления над векторами, графика и анализ данных.
3. Развитие понятий из питона и анализа данных.
4. Классы в питоне и собственное распределение.
5. Базовые понятия машинного обучения, регрессия ( ipynb: скачать notebook).
6. Устранение избыточности в данных ( ipynb: скачать notebook).
7. часть 1. Классификация на примере распознавания рукописных цифр ( ipynb: скачать notebook).
8. часть 2. Деревья решения и др ( ipynb: скачать notebook).

2017/2018 учебный год

В весенний семестр 2018 г. занятия будут проходить по четвергам в 16:45 в аудитории 13-15 ГЗ. Шестая пара в 13-11, если она свободна. Первое занятие 1 марта 2018 г.

1. 1.03.2018. Введение в питон и анализ данных.( ipynb: скачать notebook).
2. 15.03.2018. Развитие понятий из питона и анализа данных.( ipynb: скачать notebook, csv: скачать данные).
3. 22.03.2018. Базовые понятия машинного обучения, регрессия.( ipynb: скачать notebook).
4. 29.03.2018. Устранение избыточности в данных.( ipynb: скачать notebook).
5. 5.04.2018. Классификация на примере распознавания рукописных цифр.( ipynb: скачать notebook).
6. 12.04.2018. Деревья решения и др.( ipynb: скачать notebook).

2016/2017 учебный год

В весенний семестр 2017 г. занятия будут проходить по понедельникам в 16:45 в аудитории 447 2-го учебного корпуса. Первое занятие 27 февраля.

1. 27.02.2017. Основные понятия и определения.(pdf: просмотреть, скачать).
2. 27.02.2017. Возможность представления фукнций. 13 проблема Гильберта. Теорема Колмогоров.
3. 13.03.2017. Линейная регрессия.(pdf: просмотреть, скачать).
4. 20.03.2017. Линейная модель. Классофикация. Персептрон. Метод опорных векторов.
5. 27.03.2017. Ядерный подход. Адаптация методов: персептрон и метод опорных векторов.
6. 03.04.2017. Лекция отменена.
7. 10.04.2017. Многослойная нейронная сеть. Обучение. Прямой и обратный проход.
8. 17.04.2017. Вероятностный подход. Наивный байесовский классификатор.
9. 24.04.2017. Лекция отменена в связи со встречей представителей кафедры Теоретической Информатики со студентами.
10. 01.05.2017. Уже традиционно, в связи с отмечанием праздника "Весны и Труда" было решено в этот день отдохнуть.
11. 08.05.2017. Лекция отменена в предверии празднования "Дня Победы".
12. 15.05.2017. Деревья решений...

2015/2016 учебный год.

В весенний семестр 2016 г. занятия будут проходить по понедельникам в 16:45 в аудитории 449 2-го учебного корпуса.

В честь праздника "Весны и Труда" мы не будем трудится не только 1, но и 2 мая. Поэтому, занятие 2 мая отменяется.

1. 22 фев. Введение. Основыне определения. Регрессия. Интерполяция и Аппроксимация.
2. 29 фев. "Галопом по Европам". Краткое введение в суть методов: деревья решений, k-ближайших соседей, k-средних. Дабы можно было сразу почувствовать суть машинного обучения.
3. 7 марта. na: отменена в связи с праздником 8 марта.
4. 14 мар. Теорема Колмогорова и другие. Какова сложность представления чисел.
5. 21 мар. Введение в Нейронные сети.
6. 28 мар. na: отменена в связи с праздником 27 марта.
7. 4 апр. Линейные модели.
8. 11 апр. Многослойные Нейронные сети.
9. 18 апр. Ядровый подход.
10. 25 апр. Вероятностный подход.
11. 2 мая. na: отменена в связи с праздником "Весны и Труда" (1 мая).
12. 9 мая. na: отменена в связи с празднованием "Дня победы" (9 мая).

Контрольные задания:

1. Разработать метод автоматического выбора порогового значения по гистограмме интенсивностей.
2. Выравнять яркость в тектовом документе, если известно, что она изменяется вдоль страницы.
3. Бинаризация. Реализовать метод класторизации для решения задачи цветового квантования изображения, т.е. метод уменьшающий количество цветов в изображении. Фактически строиться палитра дла данного изображения.
4. Подсчет количества объектов: посчитать количество объектов в зависимости от некой характеристики, напрмер, исходя из площади. Заранее не известно какие объекты надо будет анализировать, т.е. программа должна автоматически подстроиться под данную характеристику.
5. ...

Контрольные вопросы:

1. В чем разница между аппроксимацией и интерполяцией?
2. В чем разница между регрессией и классификацией?
3. Что таок инвариант и зачем он нужен?
4. Как выполнить классификацию объектов по численным характеристикам?
5. и другие.

Литература:

1. A Course in Machine Learning: сама книга

Другие материалы

1. Машинное обучение