Машинное обучение
ВведениеМашинное обучение (machine learning) - подраздел искусственного интеллекта, изучающий методы построения моделей и алгоритмов, способных обучаться. Машинное обучение включает множество парадигм обучения, среди которых обучение с учителем, обучение без учителя, обучение с подкреплением, глубокое обучение и многие другие |
|
Обучение с учителемОбучение с учителем (supervised learning) - один из способов машинного обучения, при котором модель обучается на данных типа "вход-выход". От модели требуется восстановить это отображение. Обучение с учителем используется для решения задач классификации, регрессии, прогнозирования и пр. |
|
РегрессияРегрессия (regression) - один из классов задач машинного обучения с учителем, в котором откликом модели является действительное число или числовой вектор |
|
Диагностика регрессионных моделейДиагностика регрессионных моделей - этап регрессионного анализа, имеющий целью проверить адекватность и оценить качество обученной регрессионной модели |
|
Бинарная классификацияВ задачах классификации (classification) каждому обучающему примеру сопоставлена метка класса. Если число классов равно двум, то классификация называется бинарной. Требуется построить алгоритм, способный классифицировать (относить к одному из классов) произвольный объект из исходного множества |
|
Многоклассовая классификацияЕсли в задаче классификации число классов больше двух, то классификация называется многоклассовой. Требуется построить алгоритм, способный классифицировать произвольный объект из исходного множества |
|
Байесовская классификацияБайесовский подход к классификации основан на вычислении плотностей распределений вероятностей данных каждого класса и последующем применении теоремы Байеса. Вычисление плотностей может проводиться как при предположениях о вероятностной модели данных, так и оцениваться по обучающей выборке |
|
Непараметрическое оценивание плотности распределенияНепараметрическое оценивание плотности распределения основано на применении ядерных функций (парзеновских окон). В окрестности каждой точки формируется локальное парзеновское окно, а итоговая плотность получается путём агрегирования локальных оценок |
|
Логистическая регрессияЛогистическая регрессия - класс моделей, используемых для классификации данных. В отличие от байесовского подхода, логистическая регрессия не требует предположений о вероятностной модели данных, в то же время, как и байесовские классификаторы, позволяет оценить вероятности принадлежности классам |
|
Непараметрическая регрессия и LOESSНепараметрический регрессионный анализ – вид регрессионного анализа, не использующий предположений о виде моделируемой функции регрессии, при этом структура регрессионной модели обучается непосредственно по данным. Непараметрические регрессионные модели основаны на применении ядерных функций и включают различные методы сглаживания данных |
|
Деревья решений и обучение ансамблейДеревья решений – непараметрические модели машинного обучения, используемые в задачах регрессии и классификации. Дерево решений представляет собой совокупность обучаемых иерархически организованных правил, в соответствии с которыми происходит вычисление прогнозного значения моделируемой величины или отнесение объекта к одному из классов |
Обучение с учителем: основные принципы
Обучение с учителем: регрессия
Диагностика регрессионных моделей
Обучение с учителем: классификация
Байесовская классификация
Логистическая регрессия
Непараметрическая регрессия и LOESS
Preparing Figures for Scientific Presentations and Papers
Контроль знаний
Экзамен(Для зарегистрированных пользователей) |