Курс "Машинное обучение"

Аннотация

В курсе рассматриваются основные понятия машинного обучения: постановки задач обучения, методы подготовки данных для обучения, принципы обучения, методы статистического анализа обучающих данных и результатов обучения, методы оценки качества обученных моделей. Излагаются методы классификации и кластеризации данных, методы построения и анализа пространств признаков, методы глубокого обучения.

Цель курса - подготовка специалистов в области анализа данных и машинного обучения, владеющих теоретическими основами методов машинного обучения, обладающих навыками построения обучающихся моделей с использованием современных программных средств и способных применять методы машинного обучения для решения прикладных задач.

Краткое содержание

Основная литература

1. Alpaydin, E. (2014). Introduction to machine learning. MIT press.

2. Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge university press.

3. Raschka, S. (2015). Python machine learning. Packt Publishing Ltd.

Дополнительная литература

1. Blum, A., Hopcroft, J., & Kannan, R. (2016). Foundations of data science. Vorabversion eines Lehrbuchs.

2. Hastie, T. (2008). Tibshirani, r. and Friedman, J.(2009): The elements of statistical learning. Data mining, inference, and prediction.

3. Michalski, R. S., Carbonell, J. G., & Mitchell, T. M. (Eds.). (2013). Machine learning: An artificial intelligence approach. Springer Science & Business Media.

4. Hansen, B. E. (2009). Lecture notes on nonparametrics. Lecture notes.

5. Bengio, Y., Goodfellow, I. J., & Courville, A. (2015). Deep learning. Nature, 521, 436-444.