Одним из главных принципов уникальной «системы Физтеха», заложенной в основу образования в МФТИ, является тщательный отбор одаренных и склонных к творческой работе представителей молодежи. Абитуриентами Физтеха становятся самые талантливые и высокообразованные выпускники школ всей России и десятков стран мира.

Студенческая жизнь в МФТИ насыщенна и разнообразна. Студенты активно совмещают учебную деятельность с занятиями спортом, участием в культурно-массовых мероприятиях, а также их организации. Администрация института всячески поддерживает инициативу и заботится о благополучии студентов. Так, ведется непрерывная работа по расширению студенческого городка и улучшению быта студентов.

Адрес e-mail:

Аннотация примерной программы дисциплины «Теория и методы машинного обучения»

Цель дисциплины:


Курс по машинному обучению призван познакомить студентов с некоторыми элементами современного анализа данных. Студенты получают представление об основных классах задач машинного обучение и более подробно знакомятся с алгоритмами для решения задач классификации и кластеризации. В число изучаемых алгоритмов классификации входят алгоритмы ближайшего соседа, SVM, байесовские методы, деревья решений, списки правил. Для решения задач кластеризации рассматриваются как алгоритмы для фиксированного числа кластеров (K-Means, EM), так и способы автоматического определения числа кластеров (агломеративная и дивизивная кластеризации). Второй семестр курса посвящен изучению задач регрессионного анализа, построению композиций алгоритмов, критериям выбора моделей и методам отбора признаков.


Учебные задачи дисциплины:

  • ознакомление слушателей с задачами, принципами, методами и подходами машинного обучения;
  • приобретение слушателями теоретических знаний, и практических умений и навыков в области исследования задач анализа данных и их решения методами машинного обучения.

 

В результате освоения дисциплины «Теория и методы машинного обучения» обучающийся должен:


знать:

  • постановки задач классификации, кластеризации, прогнозирования;
  • основные классы алгоритмов для решения задач классификации и кластеризации;
  • основные функции потерь и функционалы качества;
  • вероятностные методы: непараметрического оценивания плотности распределения, оптимальный байесовский классификатор, линейный дискриминант Фишера, EM-алгоритм, стохастический EM-алгоритм;
  • сеть радиальных базисных функций;
  • метод опорных векторов (SVM);
  • многослойные нейронные сети и алгоритм обратного распространения ошибок;
  • логические алгоритмы: решающий список, алгоритм ID3, решающий лес;
  • алгоритм K-средних;
  • сети Кохонена;
  • методы агломеративной кластеризации, дендрограммы;
  • методы многомерного шкалирования;
  • непараметрическую регрессию, многомерную линейную регрессию, нелинейную параметрическую регрессию;
  • критерии выбора модели: скользящий контроль, критерий на основе оценки Вапника-Червоненкиса, критерий Акаике, байесовский информационный критерий, статистические критерии;
  • методы отбора признаков: добавления и удаления признаков, поиск в глубину, шаговая регрессия, МГУА, случайный поиск с адаптацией, генетические алгоритмы;
  • бустинг, бэггинг;
  • алгоритмы вычисления оценок;
  • алгоритмы с частичным обучением (semi-supervised learning).

уметь:

  • делать правильные выводы из сопоставления результатов теории и эксперимента;
  • выделять из практических задач их постановку для машинного обучения;
  • работать с современными программными комплексами для решения задач машинного обучения;
  • планировать оптимальное проведение вычислительного эксперимента;
  • правильно оценить степень достоверности найденного решения;
  • пользоваться справочной литературой по машинному обучению для быстрого поиска необходимых алгоритмов;
  • проводить обучение алгоритмов, избегая переобучения;
  • выбирать алгоритмы, исходя из особенностей данных задачи;
  • преподнести и объяснить «заказчику» полученные результаты.

владеть:

  • навыками самостоятельной работы в современных программных комплексах;
  • навыками освоения большого объёма информации;
  • навыками программирования для решения задач анализа данных;
  • культурой постановки задач;
  • культурой проведения эксперимента;
  • средствами визуализации для демонстрации полученных результатов.

Если вы заметили в тексте ошибку, выделите её и нажмите Ctrl+Enter.

© 2001-2016 Московский физико-технический институт
(государственный университет)

Техподдержка сайта

МФТИ в социальных сетях

soc-vk soc-fb soc-tw soc-li soc-li
Яндекс.Метрика