Линейные модели: введение
Что нужно для понимания*
Как отчитываться
Цель
Что будет в модуле
Чего не будет в модуле
Что почитать?
Машинное обучение: определение
Машинное обучение: определение
Машинное обучение: определение
Машинное обучение в картинках
История
Основные понятия
Задача обучения
Классификация машинного обучения
Классификация машинного обучения
Классификация машинного обучения: цель
Классификация машинного обучения: цель
Обучение с учителем: два примера
Классификация в картинках
Регрессия в картинках
Классификация машинного обучения
Классификация машинного обучения: опыт
Обычное обучение
Классификация машинного обучения: опыт
Классификация машинного обучения: опыт
Классификация машинного обучения: опыт
Классификация машинного обучения
Основные классы решающих функций
Основные классы решающих функций
Итого во введении
Задача
Формальная постановка
План работ
План работ
Датасет
Готовый датасет
«Запросим» у ВУЗ-а
Сделай сам
Наш датасет
Векторизация
Студент -> вектор -> факторы
Студент -> вектор -> факторы
Адаптация факторов
План работ
Решающая функция
Целевая функция
Решение
Результат
План работ
Интерпретация результата
Вопросы?
Интерпретация результата
Нормализация факторов
Результат II
Интерпретация результата II
Вопросы?
Интерпретация результата II
Оценка результата
Результат III
Стабильность решения
Результат IV
Что ещё можно попробовать:
Итого в примере:
Вопросы?
22.85M
Категория: ИнформатикаИнформатика

Линейные модели: введение

1. Линейные модели: введение

Н. Поваров, И. Куралёнок
СПб, 2020

2. Что нужно для понимания*

• Теория вероятностей и математическая
статистика
• Линейная алгебра
• Язык программирования
Санкт-Петербург, 2020

3. Как отчитываться

• Будет экзамен, возможно письменный
• Возможно тесты перед лекцией
Санкт-Петербург, 2020

4. Цель

• Уметь сформулировать задачу в терминах ML
• Найти подходящий класс решающих алгоритмов
по формулировке
• Ориентироваться в области и знать “где
посмотреть” существующие решения
• Понимать границы применимости
Санкт-Петербург, 2020

5. Что будет в модуле

• Общая картина дисциплины
• Линейные модели
• Интерпретация линейных моделей
Санкт-Петербург, 2020

6. Чего не будет в модуле

• Time series
• Полноценного Data Mining
Санкт-Петербург, 2020

7. Что почитать?

• Википедия
• R. Tibshirani, J. Friedman “Introduction to Statistical
Learning”
• T. Hastie, R. Tibshirani, J. Friedman “The elements of
Statistical Learning” **
• Труды конференций: ICML, NIPS, CIKM, KDD, etc. **
Санкт-Петербург, 2020

8. Машинное обучение: определение

Машинное обучение — обширный подраздел
искусственного интеллекта, изучающий методы
построения алгоритмов, способных обучаться
ru.wikipedia.org
Санкт-Петербург, 2020

9. Машинное обучение: определение

Machine learning — the ability of a machine to improve
its performance based on previous results.
Webster
Санкт-Петербург, 2020

10. Машинное обучение: определение

A computer program is said to learn from experience E
with respect to some class of tasks T and performance
measure P, if its performance at tasks in T, as measured
by P, improves with experience E.
Tom M. Mitchell
Санкт-Петербург, 2020

11. Машинное обучение в картинках

Санкт-Петербург, 2020

12. История

• 50-70гг — базы знаний, полнотекстовый поиск, распознавание
образов, нейронные сети
• 70-80гг — ID3 деревья, разумные практические результаты, VC-оценки
• 80-90гг — первые конференции, много практического применения,
активное применение кластеризации в анализе
• 90-00гг — повторное сэмплирование в ML, SVM, применение в IR, ML
!= DM, LASSO, bootstrap, bagging, boosting
• 00-10гг — Compressed sensing и прочие восстановления сигналов,
царство деревьев, развитие ансамблей, . . .
• 10-20гг — Deep Learning, Convolutional, Recurrent, GANN, Transformers
Санкт-Петербург, 2020

13. Основные понятия

• Область работы = Universe = Γ.
• Решающая функция = Decision Function =
English     Русский Правила