Машинное обучение (курс лекций, К.В.Воронцов)

Материал из MachineLearning.

(Различия между версиями)

Текущая версия

Содержание

1 Семестр 1. Математические основы машинного обучения
2 Семестр 2. Прикладные модели машинного обучения
3 Дополнительные лекции
- 3.1 Теория переобучения
- 3.2 Обзор оптимизационных задач машинного обучения
4 См. также
5 Литература
6 Список подстраниц

Машинное обучение (machine learning) находится на стыке прикладной статистики, численных методов оптимизации, дискретного анализа, и за последние 60 лет оформилась в самостоятельную математическую и инженерную дисциплину.

В курсе рассматриваются основные задачи обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Теоремы в основном приводятся без доказательств.

Все методы излагаются по единой схеме:

исходные идеи и эвристики;
их формализация и математическая теория;
описание алгоритма в виде слабо формализованного псевдокода;
анализ достоинств, недостатков и границ применимости;
пути устранения недостатков;
сравнение и взаимосвязи с другими методами.
примеры прикладных задач.

На семинарах разбираются дополнительные примеры, аспекты практического применения, работа с данными, программирование, проведение вычислительных экспериментов.

Курс читается

студентам 3 курса кафедры «Интеллектуальные системы / интеллектуальный анализ данных» ФУПМ МФТИ с 2004 года;
студентам 3 курса кафедры «Математические методы прогнозирования» ВМиК МГУ с 2007 года;
студентам Школы анализа данных Яндекса с 2009 года.

От студентов требуются знания курсов линейной алгебры, математического анализа, теории вероятностей, языка программирования Python. Знание математической статистики, методов оптимизации желательно, но не обязательно.

Курсивом выделен дополнительный материал, который может разбираться на семинарах.

Замечания для студентов

Ссылка на семинары для студентов МФТИ
Видеолекции ШАД Яндекс. Обновлено: 2019 год
«Введение в машинное обучение» на Курсэре содержит примерно втрое меньше материала, чем в годовом курсе, представленном на этой странице. Там очень многое упрощено, спрятано, пропущено. Действительно введение.
На подстранице имеется перечень вопросов к устному экзамену. Очень помогает при подготовке к устному экзамену!
О найденных ошибках и опечатках сообщайте мне. — К.В.Воронцов 18:24, 19 января 2009 (MSK)
Материал, который есть в pdf-тексте, но не рассказывался на лекциях, обычно не входит в программу экзамена.
Короткая ссылка на эту страницу: bit.ly/ML-Vorontsov.

Семестр 1. Математические основы машинного обучения

Текст лекций: (PDF, 3 МБ) — обновление 4.10.2011.

Основные понятия и примеры прикладных задач

Презентация: (PDF, 1,7 МБ) — обновление 13.09.2024. Видеозапись: Лекция Семинар

Постановка задач обучения по прецедентам. Объекты и признаки. Типы шкал: бинарные, номинальные, порядковые, количественные.
Типы задач: классификация, регрессия, прогнозирование, ранжирование.
Основные понятия: модель алгоритмов, метод обучения, функция потерь и функционал качества, принцип минимизации эмпирического риска, обобщающая способность, скользящий контроль.
Линейные модели регрессии и классификации. Метод наименьших квадратов. Полиномиальная регрессия.
Примеры прикладных задач.
Задачи со сложно структурированными данными. Преобразование и генерация признаков.
Методика экспериментального исследования и сравнения алгоритмов на модельных и реальных данных.
Конкурсы по анализу данных kaggle.com. Полигон алгоритмов классификации.
CRISP-DM — межотраслевой стандарт ведения проектов интеллектуального анализа данных.

Линейный классификатор и стохастический градиент

Презентация: (PDF, 1,2 МБ) — обновление 13.09.2024. Видеозапись: Лекция Семинар

Линейный классификатор, модель МакКаллока-Питтса, непрерывные аппроксимации пороговой функции потерь.
Бинарная классификация и многоклассовая классификация.
Метод стохастического градиента SG.
Эвристики: инерция и ускоренный градиент, инициализация весов, порядок предъявления объектов, выбор величины градиентного шага, «выбивание» из локальных минимумов.
Проблема мультиколлинеарности и переобучения, регуляризация или редукция весов (weight decay).
Вероятностная постановка задачи классификации. Принцип максимума правдоподобия.
Вероятностная интерпретация регуляризации, совместное правдоподобие данных и модели. Принцип максимума апостериорной вероятности.
Гауссовский и лапласовский регуляризаторы.
Логистическая регрессия. Принцип максимума правдоподобия и логарифмическая функция потерь. Метод стохастического градиента для логарифмической функции потерь. Многоклассовая логистическая регрессия. Регуляризованная логистическая регрессия.

Нейронные сети: градиентные методы оптимизации

Презентация: (PDF, 1,5 МБ) — обновление 20.09.2024. Видеозапись: Лекция Семинар

Биологический нейрон, модель МакКаллока-Питтса как линейный классификатор. Функции активации.
Проблема полноты. Задача исключающего или. Полнота двухслойных сетей в пространстве булевых функций.
Алгоритм обратного распространения ошибок.
Быстрые методы стохастического градиента: Поляка, Нестерова, AdaGrad, RMSProp, AdaDelta, Adam, Nadam, диагональный метод Левенберга-Марквардта.
Проблема взрыва градиента и эвристика gradient clipping.
Метод случайных отключений нейронов (Dropout). Интерпретации Dropout. Обратный Dropout и L2-регуляризация.
Функции активации ReLU и PReLU. Проблема «паралича» сети.
Эвристики для формирования начального приближения. Метод послойной настройки сети.
Подбор структуры сети: методы постепенного усложнения сети, оптимальное прореживание нейронных сетей (optimal brain damage).

Метрические методы классификации и регрессии

Презентация: (PDF, 3,9 МБ) — обновление 03.10.2024. Видеозапись: Лекция Семинар

Гипотезы компактности и непрерывности.
Обобщённый метрический классификатор.
Метод ближайших соседей kNN и его обобщения. Подбор числа k по критерию скользящего контроля.
Метод окна Парзена с постоянной и переменной шириной окна.
Метод потенциальных функций и его связь с линейной моделью классификации.
Задача отбора эталонов. Полный скользящий контроль (CCV), формула быстрого вычисления для метода 1NN. Профиль компактности.
Отбор эталонных объектов на основе минимизации функционала полного скользящего контроля.
Непараметрическая регрессия. Локально взвешенный метод наименьших квадратов. Ядерное сглаживание.
Оценка Надарая-Ватсона с постоянной и переменной шириной окна. Выбор функции ядра и ширины окна сглаживания.
Задача отсева выбросов. Робастная непараметрическая регрессия. Алгоритм LOWESS.

Метод опорных векторов

Презентация: (PDF, 1,3 МБ) — обновление 3.10.2024. Видеозапись: Лекция Семинар

Оптимальная разделяющая гиперплоскость. Понятие зазора между классами (margin).
Случаи линейной разделимости и отсутствия линейной разделимости. Связь с минимизацией регуляризованного эмпирического риска. Кусочно-линейная функция потерь.
Задача квадратичного программирования и двойственная задача. Понятие опорных векторов.
Рекомендации по выбору константы C.
Функция ядра (kernel functions), спрямляющее пространство, теорема Мерсера.
Способы конструктивного построения ядер. Примеры ядер.
SVM-регрессия.
Регуляризации для отбора признаков: LASSO SVM, Elastic Net SVM, SFM, RFM.
Метод релевантных векторов RVM

Линейные модели регрессии

Презентация: (PDF, 1,1 MБ) — обновление 11.10.2024. Видеозапись: Лекция Семинар

Задача регрессии, многомерная линейная регрессия.
Метод наименьших квадратов, его вероятностный смысл и геометрический смысл.
Сингулярное разложение.
Проблемы мультиколлинеарности и переобучения.
Регуляризация. Гребневая регрессия через сингулярное разложение.
Методы отбора признаков: Лассо Тибширани, Elastic Net, сравнение с гребневой регрессией.
Метод главных компонент и декоррелирующее преобразование Карунена-Лоэва, его связь с сингулярным разложением.
Спектральный подход к решению задачи наименьших квадратов.
Задачи и методы низкоранговых матричных разложений.

Нелинейная регрессия

Презентация: (PDF, 0,8 MБ) — обновление 24.10.2024. Видеозапись: Лекция Семинар

Метод Ньютона-Рафсона, метод Ньютона-Гаусса.
Обобщённая аддитивная модель (GAM): метод настройки с возвращениями (backfitting) Хасти-Тибширани.
Логистическая регрессия. Метод наименьших квадратов с итеративным пересчётом весов (IRLS). Пример прикладной задачи: кредитный скоринг. Бинаризация признаков. Скоринговые карты и оценивание вероятности дефолта. Риск кредитного портфеля банка.
Обобщённая линейная модель (GLM). Экспоненциальное семейство распределений.
Неквадратичные функции потерь. Метод наименьших модулей. Квантильная регрессия. Пример прикладной задачи: прогнозирование потребительского спроса.
Робастная регрессия, функции потерь с горизонтальными асимптотами.

Качество классификации и отбор признаков

Текст лекций: (PDF, 330 КБ).
Презентация: (PDF, 1,6 МБ) — обновление 24.10.2024. Видеозапись: Лекция Семинар

Критерии качества классификации: чувствительность и специфичность, ROC-кривая и AUC, точность и полнота, AUC-PR.
Внутренние и внешние критерии. Эмпирические и аналитические критерии.
Скользящий контроль, разновидности эмпирических оценок скользящего контроля. Критерий непротиворечивости.
Разновидности аналитических оценок. Регуляризация. Критерий Акаике (AIC). Байесовский информационный критерий (BIC). Оценка Вапника-Червоненкиса.
Сложность задачи отбора признаков. Полный перебор.
Метод добавления и удаления, шаговая регрессия.
Поиск в глубину, метод ветвей и границ.
Усечённый поиск в ширину, многорядный итерационный алгоритм МГУА.
Генетический алгоритм, его сходство с МГУА.
Случайный поиск и Случайный поиск с адаптацией (СПА).

Логические методы классификации

Текст лекций: (PDF, 625 КБ).
Презентация: (PDF, 1.3 МБ) — обновление 03.11.2024. Видеозапись: Лекция Семинар

Решающее дерево. Жадная нисходящая стратегия «разделяй и властвуй». Алгоритм ID3. Недостатки жадной стратегии и способы их устранения. Проблема переобучения.
Вывод критериев ветвления. Мера нечистоты (impurity) распределения. Энтропийный критерий, критерий Джини.
Редукция решающих деревьев: предредукция и постредукция. Алгоритм C4.5.
Деревья регрессии. Алгоритм CART.
Понятие логической закономерности.
Параметрические семейства закономерностей: конъюнкции пороговых правил, синдромные правила, шары, гиперплоскости.
Преобразование решающего дерева в покрывающий набор конъюнкций.
Переборные алгоритмы синтеза конъюнкций: стохастический локальный поиск, стабилизация, редукция.
Двухкритериальный отбор информативных закономерностей, парето-оптимальный фронт в (p,n)-пространстве.
Статистический критерий информативности, точный тест Фишера. Сравнение областей эвристических и статистических закономерностей. Разнообразие критериев информативности в (p,n)-пространстве.
Решающий список (decision list). Жадный алгоритм синтеза списка.
Небрежные решающие деревья (oblivious decision tree).
Решающий пень (decision stump). Бинаризация признаков. Алгоритм разбиения области значений признака на информативные зоны.

Линейные ансамбли

Текст лекций: (PDF, 1 MБ).
Презентация: (PDF, 1.5 МБ) — обновление 04.05.2024. Видеозапись: Лекция Семинар

Основные понятия: базовый алгоритм, корректирующая операция.
Простое голосование (комитет большинства).
Стохастические методы: бэггинг и метод случайных подпространств.
Случайный лес (Random Forest).
Взвешенное голосование. Преобразование простого голосования во взвешенное.
Алгоритм AdaBoost. Экспоненциальная аппроксимация пороговой функции потерь. Процесс последовательного обучения базовых алгоритмов. Теорема о сходимости бустинга. Идентификация нетипичных объектов (выбросов).
Теоретические обоснования. Обобщающая способность бустинга.
Базовые алгоритмы в бустинге. Решающие пни.
Сравнение бэггинга и бустинга.
Алгоритм ComBoost. Обобщение на большое число классов.

Продвинутые методы ансамблирования

Презентация: (PDF, 1.5 МБ) — обновление 04.05.2024. Видеозапись: Лекция Семинар

Виды ансамблей. Теоретические обоснования. Анализ смещения и разброса для простого голосования.
Градиентный бустинг. Стохастический градиентный бустинг.
Варианты бустинга: регрессия, Алгоритм AnyBoost, GentleBoost, LogitBoost, BrownBoost, и другие.
Алгоритм XGBoost.
Алгоритм CatBoost. Обработка категориальных признаков.
Стэкинг. Линейный стэкинг, взвешенный по признакам.
Смесь алгоритмов (квазилинейная композиция), область компетентности, примеры функций компетентности.
Выпуклые функции потерь. Методы построения смесей: последовательный и иерархический.
Построение смеси алгоритмов с помощью EM-подобного алгоритма.

Оценивание плотности и байесовская классификация

Презентация: (PDF, 1,8 МБ) — обновление 04.05.2024. Видеозапись: Лекция Семинар

Параметрическое оценивание плотности. Многомерное нормальное распределение, геометрическая интерпретация.
Выборочные оценки параметров многомерного нормального распределения. Проблемы мультиколлинеарности и переобучения. Регуляризация ковариационной матрицы.
Непараметрическое оценивание плотности. Ядерная оценка плотности Парзена-Розенблатта. Одномерный и многомерный случаи.
Смесь распределений. EM-алгоритм как метод простых итераций.
Байесовская теория классификации. Оптимальный байесовский классификатор.
Генеративные и дискриминативные модели классификации.
Наивный байесовский классификатор. Линейный наивный байесовский классификатор в случае экспоненциального семейства распределений.
Метод парзеновского окна. Выбор функции ядра. Выбор ширины окна, переменная ширина окна.
Нормальный дискриминантный анализ. Квадратичный дискриминант. Вид разделяющей поверхности. Подстановочный алгоритм, его недостатки и способы их устранения. Линейный дискриминант Фишера.
Смесь многомерных нормальных распределений. Сеть радиальных базисных функций (RBF) и применение EM-алгоритма для её настройки. Сравнение RBF-сети и SVM с гауссовским ядром.

Кластеризация и частичное обучение

Презентация: (PDF, 2,3 МБ) — обновление 04.05.2024. Видеозапись: Лекция Семинар

Постановка задачи кластеризации. Примеры прикладных задач. Типы кластерных структур.
Постановка задачи Semisupervised Learning, примеры приложений.
Критерии качества кластеризации, коэффициент силуэта, BCubed-меры точности и полноты.
Алгоритм k-средних и ЕМ-алгоритм для разделения гауссовской смеси.
Алгоритм DBSCAN.
Агломеративная кластеризация, Алгоритм Ланса-Вильямса и его частные случаи.
Алгоритм построения дендрограммы. Определение числа кластеров.
Свойства сжатия/растяжения и монотонности.
Простые эвристические методы частичного обучения: self-training, co-training, co-learning.
Трансдуктивный метод опорных векторов TSVM.
Алгоритм Expectation-Regularization на основе многоклассовой регуляризированной логистической регрессии.

Детекция аномалий и робастные методы

Презентация: (PDF, 1.8 МБ) — обновление 04.05.2024.

Задачи выявления аномалий. Эвристические методы выявления аномалий. Алгоритм LOWESS.
Теория робастного обучения. Схема итерационного перевзвешивания объектов IRS.
Семейство робастных агрегирующих функций.
Итерационное перевзвешивание для произвольной агрегирующей функции. Алгоритм IR-ERM.
Робастная регрессия. Робастная классификация. Робастная кластеризация.
Выявление аномалий с помощью одноклассового SVM.
Парадигмы обучения PU-Learning, One-Class Classification, Open-Set Recognition, Open-World Recognition.

Семестр 2. Прикладные модели машинного обучения

Глубокие нейронные сети

Презентация: (PDF, 4,1 МБ) — обновление 05.05.2024. Видеозапись: Лекция Семинар

Обоснования глубоких нейронных сетей: выразительные возможности, скорость сходимости при избыточной параметризации.
Свёрточные нейронные сети (CNN) для изображений. Свёрточный нейрон. Pooling нейрон. Выборка размеченных изображений ImageNet.
ResNet: остаточная нейронная сеть (residual NN). Сквозные связи между слоями (skip connection).
Свёрточные сети для сигналов, текстов, графов, игр.
Рекуррентные нейронные сети (RNN). Обучение рекуррентных сетей: Backpropagation Through Time (BPTT).
Сети долгой кратковременной памяти (Long short-term memory, LSTM).
Рекуррентные сети Gated Recurrent Unit (GRU) и Simple Recurrent Unit (SRU).

Нейронные сети с обучением без учителя

Презентация: (PDF, 2,3 МБ) — обновление 09.02.2024. Видеозапись: Лекция Семинар

Нейронная сеть Кохонена. Конкурентное обучение, стратегии WTA и WTM.
Самоорганизующаяся карта Кохонена. Применение для визуального анализа данных. Искусство интерпретации карт Кохонена.
Автокодировщик. Линейный AE, SAE, DAE, CAE, RAE, VAE, AE для классификации, многослойный AE.
Пред-обучение нейронных сетей (pre-training).
Перенос обучения (transfer learning).
Многозадачное обучение (multi-task learning).
Самостоятельное обучение (self-supervised learning).
Дистилляция моделей или суррогатное моделирование.
Обучение с использованием привилегированной информации (learning using priveleged information, LUPI).
Генеративные состязательные сети (generative adversarial net, GAN).

Векторные представления текстов и графов

Презентация: (PDF, 1,6 МБ) — обновление 05.05.2024. Видеозапись: Лекция Семинар

Векторные представления текста. Гипотеза дистрибутивной семантики.
Модели CBOW и SGNS из программы word2vec. Иерархический SoftMax.
Модель FastText.
Векторные представления графов.
Многомерное шкалирование (multidimensional scaling, MDS).
Векторное представление соседства (stochastic neighbor embedding, SNE и tSNE).
Матричные разложения (graph factorization).
Модели случайных блужданий DeepWalk, node2vec.
Обобщённый автокодировщик на графах GraphEDM.
Представление о графовых нейронных сетях (graph neural network, GNN). Передача сообщений по графу (message passing).

Модели внимания и трансформеры

Презентация: (PDF, 1,1 МБ) — обновление 05.05.2024. Видеозапись: Лекция Семинар

Задачи обработки и преобразования последовательностей (sequence to sequence).
Рекуррентная сеть с моделью внимания.
Разновидности моделей внимания: многомерное, иерархическое, Query–Key–Value, внутреннее (self-attention).
Модели внимания на графах (Graph Attention Network). Задача классификации вершин графа.
Трансформеры. Особенности архитектуры кодировщика и декодировщка.
Критерии обучения и оценивание качества (предобучение). Модель BERT.
Прикладные задачи: машинный перевод, аннотирование изображений.
Модели внимания и трансформеры для текстов, изображений, графов.

Тематическое моделирование

Презентация: (PDF, 3.9 МБ) — обновление 05.05.2024. Видеозапись: Лекция Семинар

Задача тематического моделирования коллекции текстовых документов. Метод максимума правдоподобия.
Лемма о максимизации гладкой функции на симплексах (применение условий Каруша–Куна–Таккера).
Аддитивная регуляризация тематических моделей. Регуляризованный EM-алгоритм, теорема о стационарной точке. Элементарная интерпретация EM-алгоритма.
Вероятностный латентный семантический анализ PLSA. ЕМ-алгоритм.
Латентное размещение Дирихле LDA. Метод максимума апостериорной вероятности. Сглаженная частотная оценка условной вероятности. Небайесовская интерпретация LDA.
Регуляризаторы разреживания, сглаживания, частичного обучения, декоррелирования.
Мультимодальная тематическая модель. Мультиязычная тематическая модель.
Регуляризаторы классификации и регрессии.
Модель битермов WNTM. Модель связанных документов. Иерархическая тематическая модель.
Внутренние и внешние критерии качества тематических моделей.

Обучение ранжированию

Презентация: (PDF, 0,9 МБ) — обновление 05.05.2024. Видеозапись: Лекция Семинар

Постановка задачи обучения ранжированию. Примеры.
Поточечные методы Ранговая регрессия. Ранговая классификация, OC-SVM.
Попарные методы: RankingSVM, RankNet, LambdaRank.
Списочные методы.
Признаки в задаче ранжирования поисковой выдачи: текстовые, ссылочные, кликовые. TF-IDF, Okapi BM25, PageRank.
Критерии качества ранжирования: Precision, MAP, AUC, DCG, NDCG, pFound.
Глубокая структурированная семантическая модель DSSM (Deep Structured Semantic Model).

Поиск ассоциативных правил

Презентация: (PDF, 1.8 МБ) — обновление 05.05.2024. Видеозапись: Лекция Семинар

Понятие ассоциативного правила и его связь с понятием логической закономерности.
Примеры прикладных задач: анализ рыночных корзин, выделение терминов и тематики текстов.
Алгоритм APriori. Два этапа: поиск частых наборов и рекурсивное порождение ассоциативных правил. Недостатки и пути усовершенствования алгоритма APriori.
Алгоритм FP-growth. Понятия FP-дерева и условного FP-дерева. Два этапа поиска частых наборов в FP-growth: построение FP-дерева и рекурсивное порождение частых наборов.
Общее представление о динамических и иерархических методах поиска ассоциативных правил.
Алгоритм TopMine для поиска коллокаций и терминов в текстах.

Инкрементное и онлайновое обучение

Презентация: (PDF, 1,1 MБ) — обновление 05.05.2024. Видеозапись: Лекция [ Семинар]

Задачи инкрементного и онлайнового обучения. Оценивание инкрементного обучения. Кривые обучения.
Ленивое обучение (метрические и непараметрические методы). Онлайновый отбор эталонных объектов.
Онлайновый наивный байесовский классификатор.
Онлайновый градиентный спуск OGD. Алгоритм Perceptron. Алгоритм Passive-Aggressive.
Инкрементные решающие деревья ID5R.
Рекуррентный метод наименьших квадратов RLS. Формула Шермана-Моррисона.
Задача прогнозирования временных рядов. Эконометрические временные ряды с трендом и сезонностью.
Экспоненциальное скользящее среднее. Модель Хольта. Модель Тейла-Вейджа. Модель Хольта-Уинтерса.
Адаптивная селективная модель. Адаптивная композиция моделей.
Онлайновое обучение ансамбля. Алгоритм Hedge, его свойства и интерпретация в задаче портфельного инвестирования.
Онлайновое глубокое обучение. Алгоритм Hedge BackProp.

Обучение с подкреплением

Презентация: (PDF, 1.9 МБ) — обновление 05.05.2024. Видеозапись: Лекция Семинар

Задача о многоруком бандите. Жадные и эпсилон-жадные стратегии. Метод UCB (upper confidence bound).
Адаптивные стратегии на основе скользящих средних. Метод сравнения с подкреплением. Метод преследования.
Постановка задачи в случае, когда агент влияет на среду. Ценность состояния среды. Ценность действия.
Жадные стратегии максимизации ценности. Уравнения оптимальности Беллмана.
Метод SARSA. Метод Q-обучения. Типизация методов на on-policy и off-policy.
Глубокое Q-обучение нейронной сети DQN на примере обучения играм Atari.
Градиентная оптимизация стратегии (policy gradient). Связь с максимизацией log-правдоподобия.
Модели актор-критик. Модели с непрерывным управлением.
Постановка задачи при моделировании среды. Типизация методов на model-free и model-based.
Контекстный многорукий бандит. Линейная регрессионная модель с верхней доверительной оценкой LinUCB.
Оценивание новой стратегии по большим историческим данным, сформированным при старых стратегиях.

Активное обучение

Презентация: (PDF, 2.3 МБ) — обновление 26.04.2024. Видеозапись: Лекция Семинар

Постановка задачи машинного обучения. Основные стратегии: отбор объектов из выборки и из потока, синтез объектов. Приложения активного обучения.
Почему активное обучение быстрее пассивного. Оценивание качества активного обучения. Кривые обучения.
Сэмплирование по неуверенности.
Сэмплирование по несогласию в комитете. Сокращение пространства решений.
Сэмплирование по ожидаемому изменению модели.
Сэмплирование по ожидаемому сокращению ошибки.
Синтез объектов методами безградиентной оптимизации. Метод Нелдера-Мида.
Синтез объектов по критерию сокращения дисперсии.
Взвешивание по плотности.
Введение изучающих действий в стратегию активного обучении. Алгоритмы ε-active и EG-active.
Использование активного обучения в краудсорсинге. Согласование оценок аннотаторов. Назначение заданий аннотаторам.

Интерпретируемость и объяснимость

Презентация: (PDF, 3.8 МБ) — обновление 04.05.2024.

Интерпретируемость и объяснимость — цели, задачи, основные понятия.
Интерпретируемые модели машинного обучения.
Оценки значимости признаков в линейной регрессии.
Графики частичной зависимости (Partial Dependence Plot, PDP).
Графики индивидуальных условных зависимостей (ICE).
Перестановочные оценки значимости признаков.
Вектор Шепли (из теории кооперативных игр), его свойства, способы оценивания, применение в линейной регрессии.
Суррогатное моделирование в окрестности объекта.
Метод LIME (Local Interpretable Model-agnostic Explanations).
Метод якорей (Anchors).
Метод SHAP (SHapley Additive exPlanations).
Метод Shapley Kernel.
Метод SAGE (Shapley Additive Global importancE).
Вектор Шепли для объектов, метод Gradient Shapley.
Контрфактическое объяснение, метод поиска контрфактов (Counterfactual explanations).

Дополнительные лекции

Теория переобучения

Презентация: (PDF, 1.6 МБ) — обновление 3.11.2024.

Задача оценивания вероятности переобучения. Матрица ошибок конечного множества алгоритмов.
Теория Вапника–Червоненкиса. Размерность Вапника–Червоненкиса (VC-dimension, ёмкость). Метод структурной минимизации риска.
Бритва Оккама (Occam's razor bound).
Эксперименты с переобучением. Монотонная цепь алгоритмов.
Переобучение при выборе из двух алгоритмов.
Комбинаторная теория переобучения. Граф расслоения-связности конечного множества алгоритмов.
Порождающие и запрещающие множества. Связность и неоптимальность алгоритма. Оценка расслоения-связности.

Обзор оптимизационных задач машинного обучения

Презентация: (PDF, 3.9 МБ) — обновление 4.05.2021. Видеозапись: Лекция

Презентация: (PDF, 1.3 МБ) — обновление 13.12.2024.

См. также

Литература

Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer, 2014. — 739 p.
Bishop C. M. Pattern Recognition and Machine Learning. — Springer, 2006. — 738 p.
Мерков А. Б. Распознавание образов. Введение в методы статистического обучения. 2011. 256 с.
Мерков А. Б. Распознавание образов. Построение и обучение вероятностных моделей. 2014. 238 с.
Коэльо Л.П., Ричарт В. Построение систем машинного обучения на языке Python. 2016. 302 с.

Список подстраниц

Машинное обучение (курс лекций, К.В.Воронцов)/2009	Машинное обучение (курс лекций, К.В.Воронцов)/ToDo	Машинное обучение (курс лекций, К.В.Воронцов)/Вопросы
Машинное обучение (курс лекций, К.В.Воронцов)/Семестровый курс	Машинное обучение (курс лекций, К.В.Воронцов)/Форма отчета

Источник — «http://poligon.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%28%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2%29»

Категория: Учебные курсы

@@ Строка 1: / Строка 1: @@
 {{TOCright}}
-'''Машинное обучение''' возникло на стыке [[Прикладная статистика|прикладной статистики]], [[Методы оптимизации|оптимизации]], [[Дискретный анализ|дискретного анализа]], и за последние 30 лет оформилось в самостоятельную математическую дисциплину. Методы [[Машинное обучение|машинного обучения]] составляют основу ещё более молодой дисциплины — ''[[Интеллектуальный анализ данных|интеллектуального анализа данных]]'' (data mining).
+'''Машинное обучение''' (machine learning) находится на стыке [[Прикладная статистика|прикладной статистики]], [[Методы оптимизации|численных методов оптимизации]], [[Дискретный анализ|дискретного анализа]], и за последние 60 лет оформилась в самостоятельную математическую и инженерную дисциплину.
-В курсе рассматриваются основные задачи обучения по прецедентам: [[классификация]], [[кластеризация]], [[регрессия]], [[понижение размерности]]. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Отдельные теоремы приводятся с доказательствами.
+В курсе рассматриваются основные задачи обучения по прецедентам: [[классификация]], [[кластеризация]], [[регрессия]], [[понижение размерности]]. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Теоремы в основном приводятся без доказательств.
 Все методы излагаются по единой схеме:
@@ Строка 10: / Строка 10: @@
 * анализ достоинств, недостатков и границ применимости;
 * пути устранения недостатков;
-* сравнение с другими методами;
+* сравнение и взаимосвязи с другими методами.
 * примеры прикладных задач.
-Данный курс расширяет и углубляет набор тем, рекомендованный международным стандартом '''ACM/IEEE Computing Curricula 2001''' по дисциплине «Машинное обучение и нейронные сети» (machine learning and neural networks) в разделе «Интеллектуальные системы» (intelligent systems).
+На семинарах разбираются дополнительные примеры, аспекты практического применения, работа с данными, программирование, проведение вычислительных экспериментов.
+<!---
+Данный курс расширяет и углубляет набор тем, рекомендованный международным стандартом '''ACM/IEEE Computing Curricula 2001''' по дисциплине «Машинное обучение и нейронные сети» (machine learning and neural networks) в разделе «Интеллектуальные системы» (intelligent systems). --->
 Курс читается
-студентам 3 курса кафедры [[Интеллектуальные системы (кафедра МФТИ)|«Интеллектуальные системы / интеллектуальный анализ данных» ФУПМ МФТИ]] с 2004 года;
+* студентам 3 курса кафедры [[Интеллектуальные системы (кафедра МФТИ)|«Интеллектуальные системы / интеллектуальный анализ данных» ФУПМ МФТИ]] с 2004 года;
-студентам 3 курса кафедры [[Математические методы прогнозирования (кафедра ВМиК МГУ)|«Математические методы прогнозирования» ВМиК МГУ]] с 2007 года;
+* студентам 3 курса кафедры [[Математические методы прогнозирования (кафедра ВМиК МГУ)|«Математические методы прогнозирования» ВМиК МГУ]] с 2007 года;
-студентам [[Школа анализа данных Яндекса|Школы анализа данных Яндекса]] с 2009 года.
+* студентам [[Школа анализа данных Яндекса|Школы анализа данных Яндекса]] с 2009 года.
-На материал данного курса опираются последующие кафедральные курсы.
+От студентов требуются знания курсов линейной алгебры, математического анализа, теории вероятностей, языка программирования [[Python]]. Знание [[Математическая статистика|математической статистики]], [[Методы оптимизации|методов оптимизации]] желательно, но не обязательно.
-На&nbsp;кафедре ММП ВМиК МГУ параллельно с данным курсом и в&nbsp;дополнение к&nbsp;нему читается спецкурс [[Теория надёжности обучения по прецедентам (курс лекций, К.В.Воронцов)|Теория надёжности обучения по прецедентам]], посвящённый проблемам [[Переобучение|переобучения]] и оценивания [[Обобщающая способность|обобщающей способности]].
-От студентов требуются знания курсов линейной алгебры, математического анализа, теории вероятностей. Знание [[Математическая статистика|математической статистики]], [[Методы оптимизации|методов оптимизации]] и какого-либо языка программирования желательно, но не обязательно.
+<!---На материал данного курса опираются последующие кафедральные курсы.
+На&nbsp;кафедре ММП ВМиК МГУ параллельно с данным курсом и в&nbsp;дополнение к&nbsp;нему читается спецкурс [[Теория надёжности обучения по прецедентам (курс лекций, К. В. Воронцов)|Теория надёжности обучения по прецедентам]], посвящённый проблемам [[Переобучение|переобучения]] и оценивания [[Обобщающая способность|обобщающей способности]]. --->
-Ниже представлена расширенная программа — в полном объёме она занимает больше, чем могут вместить в себя два семестра.
-Каждый параграф приблизительно соответствует одной лекции.
 ''Курсивом'' выделен дополнительный материал, который может разбираться на семинарах.
-=== Замечания для студентов ===
+'''Замечания для студентов'''
-'''Замечание 1.'''
-В этих лекциях есть материал, который не входит в программу курса.
-Он включён «для общего развития» и на экзамене спрашиваться не будет.
-'''Замечание 2.'''
-На подстранице имеется перечень
-[[Машинное обучение (курс лекций, К.В.Воронцов)/Вопросы|вопросов к устному экзамену]].
-Очень помогает при подготовке к устному экзамену!
-'''Замечание 3.'''
+* [https://github.com/andriygav/MachineLearningSeminars/blob/master/README.rst Ссылка на семинары для студентов МФТИ]
-О найденных ошибках и опечатках [[Служебная:EmailUser/Vokov|сообщайте мне]]. —&nbsp;''[[Участник:Vokov|К.В.Воронцов]] 18:24, 19 января 2009 (MSK)''
+* [https://ya-r.ru/2020/05/07/vorontsov-kurs-mashinnoe-obuchenie-2019-shkola-analiza-dannyh/ Видеолекции ШАД Яндекс]. {{Важно|Обновлено: 2019 год}}
+* [https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie «Введение в машинное обучение» на Курсэре] содержит примерно втрое меньше материала, чем в годовом курсе, представленном на этой странице. Там очень многое упрощено, спрятано, пропущено. Действительно введение.
+* На подстранице имеется перечень [[Машинное обучение (курс лекций, К.В.Воронцов)/Вопросы|вопросов к устному экзамену]]. Очень помогает при подготовке к устному экзамену!
+* О найденных ошибках и опечатках [[Служебная:EmailUser/Vokov|сообщайте мне]]. —&nbsp;''[[Участник:Vokov|К.В.Воронцов]] 18:24, 19 января 2009 (MSK)''
+* Материал, который есть в pdf-тексте, но не рассказывался на лекциях, обычно не входит в программу экзамена.
+* Короткая ссылка на эту страницу: [https://bit.ly/ML-Vorontsov bit.ly/ML-Vorontsov].
-= Первый семестр =
+= Семестр 1. Математические основы машинного обучения =
-=== Основные понятия и примеры прикладных задач ===
+'''Текст лекций:''' [[Media:Voron-ML-1.pdf|(PDF,&nbsp;3&nbsp;МБ)]] {{важно|— обновление 4.10.2011}}.
-Текст лекции: [[Media:Voron-ML-Intro1.pdf|(PDF,&nbsp;287&nbsp;КБ)]].
+== Основные понятия и примеры прикладных задач ==
+Презентация: [[Media:Voron-ML-Intro-slides.pdf|(PDF,&nbsp;1,7&nbsp;МБ)]] {{важно|— обновление 13.09.2024}}.
+Видеозапись: [https://youtu.be/uLduOFhyCUw?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy&t=1437 Лекция] [https://youtu.be/bJVI5AIback Семинар]
 * Постановка задач обучения по прецедентам. Объекты и признаки. Типы шкал: бинарные, номинальные, порядковые, количественные.
-* Типы задач: [[классификация]], [[регрессия]], [[прогнозирование]], [[кластеризация]]. Примеры прикладных задач.
+* Типы задач: [[классификация]], [[регрессия]], [[прогнозирование]], [[ранжирование]].
 * Основные понятия: [[модель алгоритмов]], [[метод обучения]], [[функция потерь]] и функционал качества, [[принцип минимизации эмпирического риска]], [[обобщающая способность]], [[скользящий контроль]].
-* Методика экспериментального исследования и сравнения алгоритмов на модельных и реальных данных. [[Полигон алгоритмов классификации]].
+* Линейные модели регрессии и классификации. Метод наименьших квадратов. Полиномиальная регрессия.
-* ''Вероятностная постановка задачи обучения по прецедентам, [[принцип максимума правдоподобия]] и его связь с принципом минимизации эмпирического риска. Разновидности функций потерь и их вероятностная интерпретация.''
+* Примеры прикладных задач.
+* Задачи со сложно структурированными данными. Преобразование и генерация признаков.
+* Методика экспериментального исследования и сравнения алгоритмов на модельных и реальных данных.
+* Конкурсы по анализу данных [http://kaggle.com kaggle.com]. [[Полигон алгоритмов классификации]].
+* [[CRISP-DM]] — межотраслевой стандарт ведения проектов [[Data Mining | интеллектуального анализа данных]].
-== Статистичесие (байесовские) методы классификации ==
+== Линейный классификатор и стохастический градиент ==
-Текст лекций: [[Media:Voron-ML-Bayes1.pdf|(PDF,&nbsp;610&nbsp;КБ)]].<br/>
+Презентация: [[Media:Voron-ML-Lin-SG.pdf|(PDF,&nbsp;1,2&nbsp;МБ)]] {{важно|— обновление 13.09.2024}}.
-Презентация: [[Media:Voron-ML-Bayes-slides.pdf|(PDF,&nbsp;1,37&nbsp;МБ)]]
+Видеозапись: [https://youtu.be/YaJ-QfSHl3o?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy&t=37 Лекция] [https://youtu.be/-4pPz5kX4XQ Семинар]
+* [[Линейный классификатор]], модель МакКаллока-Питтса, непрерывные аппроксимации пороговой функции потерь.
+* Бинарная классификация и многоклассовая классификация.
+* [[Метод стохастического градиента]] SG.
+<!--
+* [[Метод стохастического среднего градиента]] SAG.
+* Частные случаи: [[адаптивный линейный элемент]] ADALINE, [[перcептрон Розенблатта]], [[правило Хэбба]].
+* [[Теорема Новикова]] о сходимости. Доказательство теоремы Новикова
+-->
+* Эвристики: инерция и ускоренный градиент, инициализация весов, порядок предъявления объектов, выбор величины градиентного шага, «выбивание» из локальных минимумов.
+* Проблема мультиколлинеарности и переобучения, регуляризация или [[редукция весов]] (weight decay).
+* Вероятностная постановка задачи классификации. Принцип максимума правдоподобия.
+* Вероятностная интерпретация регуляризации, совместное правдоподобие данных и модели. Принцип максимума апостериорной вероятности.
+* Гауссовский и лапласовский регуляризаторы.
+* [[Логистическая регрессия]]. Принцип максимума правдоподобия и логарифмическая функция потерь. [[Метод стохастического градиента]] для логарифмической функции потерь. Многоклассовая логистическая регрессия. Регуляризованная логистическая регрессия.
+<!--
+* [[Калибровка Платта]].
+* Функции потерь, зависящие от цены ошибок. [[Кривая ошибок]] (ROC curve). Алгоритм эффективного построения ROC-кривой.
+* Градиентный метод максимизации AUC.
+-->
-=== Оптимальный байесовский классификатор  ===
+== Нейронные сети: градиентные методы оптимизации ==
-* Принцип максимума апостериорной вероятности.
+Презентация: [[Media:Voron-ML-ANN-slides.pdf|(PDF,&nbsp;1,5&nbsp;МБ)]] {{важно|— обновление 20.09.2024}}.
-* Функционал среднего риска. Ошибки I и II рода.
+Видеозапись: [https://youtu.be/g5B-OiSb9EQ?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy Лекция] [https://youtu.be/6AyE5bzFWQs Семинар]
-* Теорема об оптимальности байесовского классификатора.
+* Биологический нейрон, [[модель МакКаллока-Питтса]] как [[линейный классификатор]]. Функции активации.
-* [[Оценивание плотности распределения]]: три основных подхода.
+* Проблема полноты. [[Задача исключающего или]]. Полнота двухслойных сетей в пространстве булевых функций.
-* [[Наивный байесовский классификатор]].
+<!--* ''Теоремы Колмогорова, Стоуна, Горбаня (без доказательства).''-->
+* [[Алгоритм обратного распространения ошибок]].
+* Быстрые методы стохастического градиента: Поляка, Нестерова, AdaGrad, RMSProp, AdaDelta, Adam, Nadam, [[диагональный метод Левенберга-Марквардта]].
+* Проблема взрыва градиента и эвристика gradient clipping.
+* Метод случайных отключений нейронов (Dropout). Интерпретации Dropout. Обратный Dropout и L2-регуляризация.
+* Функции активации ReLU и PReLU. Проблема [[паралич сети|«паралича» сети]].
+* Эвристики для формирования начального приближения. Метод послойной настройки сети.
+* Подбор структуры сети: методы постепенного усложнения сети, [[оптимальное прореживание нейронных сетей]] (optimal brain damage).
-=== Непараметрическое оценивание плотности  ===
+== Метрические методы классификации и регрессии ==
-* [[Ядерная оценка плотности Парзена-Розенблатта]]. Одномерный и многомерный случаи.
+Презентация: [[Media:Voron-ML-Metric-slides.pdf|(PDF,&nbsp;3,9&nbsp;МБ)]] {{важно|— обновление 03.10.2024}}.
-* [[Метод парзеновского окна]].
+Видеозапись: [https://youtu.be/-HBRFLcEk0U?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy Лекция] [https://youtu.be/BlPOOpFhhQE Семинар]
-* Выбор функции ядра. Выбор ширины окна, переменная ширина окна.
+* Гипотезы компактности и непрерывности.
-* Робастное оценивание плотности.
+* Обобщённый [[метрический классификатор]].
-* Непараметрический наивный байесовский классификатор.
+* [[Метод ближайших соседей]] ''k''NN и его обобщения. Подбор числа ''k'' по критерию скользящего контроля.
+* [[Метод окна Парзена]] с постоянной и переменной шириной окна.
-=== Параметрическое оценивание плотности ===
+* [[Метод потенциальных функций]] и его связь с линейной моделью классификации.
-* [[Нормальный дискриминантный анализ]]. [[Многомерное нормальное распределение]], геометрическая интерпретация. Выборочные оценки параметров многомерного нормального распределения.
+* Задача отбора эталонов. [[Полный скользящий контроль]] (CCV), формула быстрого вычисления для метода 1NN. [[Профиль компактности]].
-* ''Матричное дифференцирование. Вывод оценок параметров многомерного нормального распределения.''
+* Отбор эталонных объектов на основе минимизации функционала полного скользящего контроля.
-* [[Квадратичный дискриминант]]. Вид разделяющей поверхности. [[Подстановочный алгоритм]], его недостатки и способы их устранения.
+* Непараметрическая регрессия. Локально взвешенный [[метод наименьших квадратов]]. [[Ядерное сглаживание]].
-* [[Линейный дискриминант Фишера]].
+* [[Оценка Надарая-Ватсона]] с постоянной и переменной шириной окна. Выбор функции ядра и ширины окна сглаживания.
-* Проблемы [[мультиколлинеарность|мультиколлинеарности]] и [[переобучение|переобучения]]. [[Регуляризация]] ковариационной матрицы.
+* Задача отсева выбросов. Робастная непараметрическая регрессия. [[Алгоритм LOWESS]].
-* ''Робастное оценивание. Цензурирование выборки (отсев объектов-выбросов).''
+<!--
-* Параметрический наивный байесовский классификатор.
+* ''[[Функция конкурентного сходства]], [[алгоритм FRiS-СТОЛП]]''.
-* ''[[Метод редукции размерности]] Шурыгина.''
+* ''Эффективные структуры данных для быстрого поиска ближайших объектов в прямых и обратных окрестностях — [[метрические деревья]].''
+* ''Понятие [[отступ]]а. [[Алгоритм СТОЛП]].''
-=== Разделение смеси распределений ===
+* ''Задача отбора признаков. Жадный алгоритм построения метрики.''
-* [[Смесь распределений]].
-* [[EM-алгоритм]]: основная идея, понятие скрытых переменных. «Вывод» алгоритма без обоснования сходимости. Псевдокод EM-алгоритма. Критерий останова. Выбор начального приближения. Выбор числа компонентов смеси.
-* Стохастический EM-алгоритм.
-* Смесь многомерных нормальных распределений. [[Сеть радиальных базисных функций]] (RBF) и применение EM-алгоритма для её настройки.
-== Метрические методы классификации ==
-Текст лекций: [[Media:Voron-ML-Metric1.pdf|(PDF,&nbsp;191&nbsp;КБ)]].<br/>
-Презентация: [[Media:Voron-ML-Metric-slides.pdf|(PDF,&nbsp;1.57&nbsp;МБ)]].
-=== Метод ближайших соседей и его обобщения ===
-* [[Метод ближайших соседей]] (''k''NN) и его обобщения.
-* Подбор числа ''k'' по критерию скользящего контроля.
-* Обобщённый [[метрический классификатор]], понятие [[отступ]]а.
-* [[Метод потенциальных функций]], градиентный алгоритм.
-=== Отбор эталонов и оптимизация метрики ===
-* Отбор эталонных объектов. Псевдокод: [[алгоритм СТОЛП]].
-* [[Функция конкурентного сходства]], [[алгоритм FRiS-СТОЛП]].
-* ''[[Функционал полного скользящего контроля]], формула быстрого вычисления для метода 1NN. [[Профиль компактности]]. Функция вклада объекта. Отбор эталонных объектов на основе минимизации функционала полного скользящего контроля. Эффективные структуры данных для быстрого поиска ближайших объектов в прямых и обратных окрестностях — [[метрические деревья]].''
-* ''[[Проклятие размерности]]. Задача настройки весов признаков.''
 * ''Концепция вывода на основе прецедентов ([[CBR]]).''
+-->
-== Линейные методы классификации ==
+== Метод опорных векторов ==
-Текст лекций: [[Media:Voron-ML-Lin.pdf|(PDF,&nbsp;1,56&nbsp;МБ)]] ''(ожидается обновление...)''.<br/>
+Презентация: [[Media:Voron-ML-Lin-SVM.pdf|(PDF,&nbsp;1,3&nbsp;МБ)]] {{важно|— обновление 3.10.2024}}.
-Презентация: [[Media:Voron-ML-Lin-slides.pdf|(PDF,&nbsp;1,04&nbsp;МБ)]].
+Видеозапись: [https://youtu.be/AjIM8f8XgM8?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy&t=34 Лекция] [https://youtu.be/Y--tUWQ5JaY Семинар]
-=== Градиентные методы ===
-* [[Линейный классификатор]], непрерывные аппроксимации пороговой функции потерь.
-* ''Квадратичная функция потерь, [[метод наименьших квадратов]], связь с линейным дискриминантом Фишера.''
-* [[Метод стохастического градиента]] и частные случаи: [[адаптивный линейный элемент]] ADALINE, [[перcептрон Розенблатта]], [[правило Хэбба]].
-* ''[[Теорема Новикова]] о сходимости. Доказательство теоремы Новикова''
-* Недостатки метода стохастического градиента и способы их устранения. Ускорение сходимости, «выбивание» из локальных минимумов. Проблема переобучения, [[редукция весов]] (weight decay).
-=== Логистическая регрессия ===
-* Гипотеза экспоненциальности функций правдоподобия классов. Теорема о линейности байесовского оптимального классификатора. Оценивание апостериорных вероятностей классов с помощью сигмоидной функции активации.
-* [[Логистическая регрессия]]. Принцип максимума правдоподобия и логарифмическая функция потерь. Снова метод стохастического градиента, аналогия с правилом Хэбба.
-=== Метод опорных векторов ===
 * Оптимальная разделяющая гиперплоскость. Понятие [[зазор]]а между классами (margin).
 * Случаи линейной разделимости и отсутствия линейной разделимости. Связь с минимизацией регуляризованного эмпирического риска. Кусочно-линейная функция потерь.
@@ Строка 127: / Строка 122: @@
 * [[Функция ядра]] (kernel functions), [[спрямляющее пространство]], [[теорема Мерсера]].
 * Способы конструктивного построения ядер. Примеры ядер.
-* Сопоставление SVM с гауссовским ядром и RBF-сети.
+* SVM-регрессия.
+* Регуляризации для отбора признаков: [[LASSO SVM]], [[Elastic Net SVM]], [[SFM]], [[RFM]].
+* Метод релевантных векторов [[RVM]]
+<!---
 * ''Обучение SVM методом активных ограничений. [[Алгоритм INCAS]]. [[Алгоритм SMO]].''
 * ''ню-SVM.''
-* ''SVM-регрессия.''
+--->
-=== Обобщённый линейный классификатор ===
-* Задача максимизации совместного правдоподобия данных и модели.
-* Возможные типы априорных предположений о вероятностном распределении в пространстве параметров и их связь с регуляризацией.
-* Некоторые разновидности регуляризаторов, применяемые на практике. Квадратичный регуляризатор. Линейный регуляризатор и его связь с отбором признаков.
-* Настройка порога решающего правила по критерию числа ошибок I и II рода. [[Кривая ошибок]] (ROC curve).
-* Пример прикладной задачи: кредитный скоринг. Скоринговые карты и оценивание вероятности дефолта. ''Риск кредитного портфеля банка.''
-== Методы регрессионного анализа ==
-Текст лекций: [[Media:Voron-ML-Regression.pdf|(PDF,&nbsp;421&nbsp;КБ)]].<br/>
-Презентация: [[Media:Voron-ML-regression-slides.pdf|(PDF,&nbsp;781&nbsp;КБ)]].
-=== Непараметрическая регрессия ===
-* [[Сглаживание]]. Локально взвешенный [[метод наименьших квадратов]] и [[оценка Надарая-Ватсона]].
-* Выбор функции ядра. Выбор ширины окна сглаживания. Сглаживание с переменной шириной окна.
-* Проблема выбросов и робастная непараметрическая регрессия. Псевдокод: [[алгоритм LOWESS]].
-* ''Доверительный интервал значения регрессии в точке.''
-* ''Проблемы «проклятия размерности» и выбора метрики.''
-=== Многомерная линейная регрессия ===
+== Линейные модели регрессии ==
+Презентация: [[Media:Voron-ML-regression-slides.pdf|(PDF,&nbsp;1,1&nbsp;MБ)]] {{важно|— обновление 11.10.2024}}.
+Видеозапись: [https://youtu.be/23F9RRazGzQ?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy&t=10 Лекция] [https://youtu.be/t5imStVGC7Y Семинар]
 * Задача регрессии, [[многомерная линейная регрессия]].
-* [[Метод наименьших квадратов]] и его геометрический смысл.
+* [[Метод наименьших квадратов]], его вероятностный смысл и геометрический смысл.
 * [[Сингулярное разложение]].
 * Проблемы [[мультиколлинеарность|мультиколлинеарности]] и [[переобучение|переобучения]].
-* [[Регуляризация]]. [[Гребневая регрессия]]. [[Лассо Тибширани]], сравнение с гребневой регрессией.
+* [[Регуляризация]]. [[Гребневая регрессия]] через сингулярное разложение.
-* Линейные преобразования признакового пространства, задача сокращения размерности. [[Метод главных компонент]] и [[декоррелирующее преобразование]] Карунена-Лоэва, его связь с сингулярным разложением.
+* Методы отбора признаков: [[Лассо Тибширани]], [[Elastic Net]], сравнение с гребневой регрессией.
+* [[Метод главных компонент]] и [[декоррелирующее преобразование]] Карунена-Лоэва, его связь с сингулярным разложением.
+* Спектральный подход к решению задачи наименьших квадратов.
+* Задачи и методы низкоранговых матричных разложений.
 <!---
 === Шаговая регрессия ===
@@ Строка 164: / Строка 148: @@
 * [[Метод наименьших углов]] (LARS), его связь с лассо и шаговой регрессией.
 -->
-=== Нелинейная параметрическая регрессия ===
+== Нелинейная регрессия ==
+Презентация: [[Media:Voron-ML-regress-non-slides.pdf|(PDF,&nbsp;0,8&nbsp;MБ)]] {{важно|— обновление 24.10.2024}}.
+Видеозапись: [https://youtu.be/B1GSBTmZh9s?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy Лекция] [https://youtu.be/WhQT3J1PJfI Семинар]
 * [[Метод Ньютона-Рафсона]], [[метод Ньютона-Гаусса]].
-* Одномерные нелинейные преобразования признаков: [[метод настройки с возвращениями]] (backfitting) Хасти-Тибширани.
+* Обобщённая аддитивная модель (GAM): [[метод настройки с возвращениями]] (backfitting) Хасти-Тибширани.
-* [[Обобщённая линейная модель]] (GLM).
+* [[Логистическая регрессия]]. [[Метод наименьших квадратов с итеративным пересчётом весов]] (IRLS). Пример прикладной задачи: кредитный скоринг. Бинаризация признаков. Скоринговые карты и оценивание вероятности дефолта. ''Риск кредитного портфеля банка.''
-* [[Логистическая регрессия]] как частный случай GLM, [[метод наименьших квадратов с итеративным пересчётом весов]] (IRLS).
+* [[Обобщённая линейная модель]] (GLM). Экспоненциальное семейство распределений.
-* Неквадратичные функци потерь. Робастная регрессия, функция Мешалкина. Несимметричные функции потерь, пример прикладной задачи: прогнозирование потребительского спроса.
+* Неквадратичные функции потерь. Метод наименьших модулей. Квантильная регрессия. Пример прикладной задачи: прогнозирование потребительского спроса.
+* Робастная регрессия, функции потерь с горизонтальными асимптотами.
-= Второй семестр =
+== Качество классификации и отбор признаков ==
-== Критерии выбора моделей и методы отбора признаков ==
 Текст лекций: [[Media:Voron-ML-Modeling.pdf|(PDF,&nbsp;330&nbsp;КБ)]].<br/>
-Презентация: [[Media:Voron-ML-Modeling-slides.pdf|(PDF,&nbsp;???&nbsp;КБ)]].
+Презентация: [[Media:Voron-ML-Quality-slides.pdf|(PDF,&nbsp;1,6&nbsp;МБ)]] {{важно|— обновление 24.10.2024}}.
+Видеозапись: [https://youtu.be/AMcg9YBseSI?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy Лекция] [https://youtu.be/fdb_cmG6hl8 Семинар]
-=== Оценивание и выбор моделей ===
+* Критерии качества классификации: чувствительность и специфичность, ROC-кривая и AUC, точность и полнота, AUC-PR.
-* Внутренние и [[внешние критерии]].
+* Внутренние и [[внешние критерии]]. Эмпирические и аналитические критерии.
-* [[Скользящий контроль]], разновидности скользящего контроля.
+* [[Скользящий контроль]], разновидности эмпирических оценок скользящего контроля. [[Критерий непротиворечивости]].
-* [[Критерий непротиворечивости]].
+* Разновидности аналитических оценок. [[Регуляризация]]. [[Критерий Акаике]] (AIC). [[Байесовский информационный критерий]] (BIC). Оценка Вапника-Червоненкиса.
-* [[Регуляризация]].
-* Критерий, основанные на теории Вапника-Червоненкиса.
-* [[Критерий Акаике]] (AIC).
-* [[Байесовский информационный критерий]] (BIC).
-* ''Статистические критерии: [[коэффициент детерминации]], [[критерий Фишера]], [[анализ регрессионных остатков]].''
-* Агрегированные и многоступенчатые критерии.
-=== Методы отбора признаков ===
 * Сложность задачи [[отбор признаков|отбора признаков]]. [[Полный перебор]].
 * [[Метод добавления и удаления]], шаговая регрессия.
@@ Строка 194: / Строка 172: @@
 * Усечённый [[поиск в ширину]], [[многорядный итерационный алгоритм МГУА]].
 * [[Генетический алгоритм]], его сходство с МГУА.
 * [[Случайный поиск]] и [[Случайный поиск с адаптацией]] (СПА).
-== Нейросетевые методы классификации и регрессии ==
-Текст лекций: [[Media:Voron-ML-NeuralNets.pdf|(PDF,&nbsp;346&nbsp;КБ)]].<br/>
-Презентация: [[Media:Voron-ML-NeuralNets-slides.pdf|(PDF,&nbsp;577&nbsp;КБ)]].
-=== Многослойные нейронные сети ===
-* Биологический нейрон, [[модель МакКаллока-Питтса]] как [[линейный классификатор]]. Функции активации.
-* Проблема полноты. [[Задача исключающего или]]. Полнота двухслойных сетей в пространстве булевых функций. Теоремы Колмогорова, Стоуна, Горбаня (без доказательства).
-* Метод послойной настройки сети.
-* [[Алгоритм обратного распространения ошибок]].  Способы формирования начального приближения. Недостатки алгоритма, способы их устранения. Проблема [[паралич сети|«паралича» сети]].
-* Подбор структуры сети: методы постепенного усложнения сети, [[оптимальное прореживание нейронных сетей]] (optimal brain damage).
-== Композиционные методы классификации и регрессии ==
-Текст лекций: [[Media:Voron-ML-Compositions.pdf|(PDF,&nbsp;1&nbsp;MБ)]].<br/>
-Презентация: [[Media:Voron-ML-Compositions-slides.pdf|(PDF,&nbsp;???&nbsp;КБ)]].
-=== Линейные композиции, бустинг ===
-* Основные понятия: [[базовый алгоритм]] ([[алгоритмический оператор]]), [[корректирующая операция]].
-* [[Взвешенное голосование]].
-* [[Алгоритм AdaBoost]]. Экспоненциальная аппроксимация пороговой функции потерь. Процесс последовательного обучения базовых алгоритмов. Теорема о сходимости [[бустинг]]а.
-* ''Варианты бустинга: [[GentleBoost]], [[LogitBoost]], [[BrownBoost]], и другие.''
-* Обобщение бустинга как процесса градиентного спуска. Теорема сходимости. [[Алгоритм AnyBoost]].
-=== Эвристические и стохастические методы ===
-* [[Простое голосование]] (комитет большинства). Эвристический алгоритм. Идентификация нетипичных объектов (выбросов). Обобщение на большое число классов.
-* ''[[Решающий список]] (комитет старшинства). Эвристический алгоритм. Стратегия выбора классов для базовых алгоритмов.''
-* Стохастические методы: [[бэггинг]] и [[метод случайных подпространств]].
 <!---
-=== Метод комитетов ===
+* ''Агрегированные и многоступенчатые критерии''.
-* Общее понятие: [[комитет]] системы ограничений. Комитеты большинства, простое и взвешенное голосование (''z,p''-комитеты).
+* ''Статистические критерии: [[коэффициент детерминации]], [[критерий Фишера]], [[анализ регрессионных остатков]].''
-* Теоремы о существовании комитетного решения.
+== Теория обобщающей способности ==
-* Сопоставление комитета линейных неравенств с нейронной сетью.
+* [[Теория Вапника-Червоненкиса]]. Функционал равномерного отклонения частот ошибок. [[Функция роста]], [[ёмкость]] семейства алгоритмов. [[Структурная минимизация риска]].
-* [[Максимальная совместная подсистема]], [[минимальный комитет]]. Теоремы об ''NP''-полноте задачи поиска минимального комитета.
+* ''Оценка «бритвы Оккама»''.
-* Алгоритм построения комитета, близкого к минимальному. Верхняя оценка числа членов комитета.
+* ''[[Радемахеровская сложность]] семейства алгоритмов.''
+* [[Комбинаторная теория переобучения (виртуальный семинар)|Комбинаторная теория переобучения]]. Функционал вероятности переобучения. Граф расслоения-связности. Оценки расслоения-связности.
 --->
-=== Нелинейные алгоритмические композиции ===
-* [[Смесь экспертов]], [[область компетентности]] алгоритма.
-* Выпуклые функции потерь. Методы построения смесей: последовательный и иерархический.
-* Построение смесей экспертов с помощью EM-алгоритма.
-* ''Нелинейная монотонная корректирующая операция. Случай классификации. Случай регрессии.''
 == Логические методы классификации ==
 Текст лекций: [[Media:Voron-ML-Logic.pdf|(PDF,&nbsp;625&nbsp;КБ)]].<br/>
-Презентация: [[Media:Voron-ML-Logic-slides.pdf|(PDF,&nbsp;875&nbsp;КБ)]].
+Презентация: [[Media:Voron-ML-Logic-slides.pdf|(PDF,&nbsp;1.3&nbsp;МБ)]] {{важно| — обновление 03.11.2024}}.
+Видеозапись: [https://www.youtube.com/watch?v=M1z7d1ksbA8&list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy Лекция] <!--[https://youtu.be/OP2rsn478Fk 2020]-->
+[https://youtu.be/Ap55F1IoTfk Семинар]
+* [[Решающее дерево]]. Жадная нисходящая стратегия «разделяй и властвуй». [[Алгоритм ID3]]. Недостатки жадной стратегии и способы их устранения. Проблема переобучения.
+* Вывод критериев ветвления. Мера нечистоты (impurity) распределения. Энтропийный критерий, критерий Джини.
+* [[Редукция решающих деревьев]]: [[предредукция]] и [[постредукция]]. [[Алгоритм C4.5]].
+* Деревья регрессии. [[Алгоритм CART]].
+* Понятие [[логическая закономерность|логической закономерности]].
+* Параметрические семейства закономерностей: конъюнкции пороговых правил, синдромные правила, шары, гиперплоскости.
+* Преобразование решающего дерева в покрывающий набор конъюнкций.
+* Переборные алгоритмы синтеза конъюнкций: [[стохастический локальный поиск]], [[стабилизация]], [[редукция]].
+* Двухкритериальный отбор информативных закономерностей, парето-оптимальный фронт в (p,n)-пространстве.
+* Статистический критерий информативности, [[точный тест Фишера]]. Сравнение областей эвристических и статистических закономерностей. Разнообразие критериев информативности в (p,n)-пространстве.
+* [[Решающий список]] (decision list). Жадный алгоритм синтеза списка.
+* [[Небрежные решающие деревья]] (oblivious decision tree).
+* Решающий пень (decision stump). [[Бинаризация признаков]]. Алгоритм разбиения области значений признака на информативные зоны.
+<!---
+'''Факультатив'''
+* Асимптотическая эквивалентность статистического и энтропийного критерия информативности.
+--->
-=== Понятия закономерности и информативности ===
+== Линейные ансамбли ==
-* Понятие [[логическая закономерность|логической закономерности]]. Эвристическое, статистическое, энтропийное определение [[информативность|информативности]]. Асимптотическая эквивалентность статистического и энтропийного определения. Сравнение областей эвристических и статистических закономерностей.
+Текст лекций: [[Media:Voron-ML-Compositions.pdf|(PDF,&nbsp;1&nbsp;MБ)]].<br/>
-* Разновидности закономерностей: шары, гиперплоскости, гиперпараллелепипеды (конъюнкции).
+Презентация: [[Media:Voron-ML-Compositions1-slides.pdf|(PDF,&nbsp;1.5&nbsp;МБ)]] {{важно|— обновление 04.05.2024}}.
-* [[Бинаризация признаков]], алгоритм выделения информативных зон.
+Видеозапись: [https://youtu.be/96xMfQ7ZnGc?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy Лекция] [https://youtu.be/ZS82juA9098 Семинар]
-* «Градиентный» алгоритм синтеза конъюнкций, частные случаи: жадный алгоритм, [[стохастический локальный поиск]], [[стабилизация]], [[редукция]].
+* Основные понятия: [[базовый алгоритм]], [[корректирующая операция]].
+* [[Простое голосование]] (комитет большинства).
+* Стохастические методы: [[бэггинг]] и [[метод случайных подпространств]].
+* [[Случайный лес]] (Random Forest).
+* [[Взвешенное голосование]]. Преобразование простого голосования во взвешенное.
+* [[Алгоритм AdaBoost]]. Экспоненциальная аппроксимация пороговой функции потерь. Процесс последовательного обучения базовых алгоритмов. Теорема о сходимости [[бустинг]]а. Идентификация нетипичных объектов (выбросов).
+* Теоретические обоснования. Обобщающая способность бустинга.
+* Базовые алгоритмы в бустинге. Решающие пни.
+* Сравнение бэггинга и бустинга.
+* [[Алгоритм ComBoost]]. Обобщение на большое число классов.
-=== Решающие списки и деревья ===
+== Продвинутые методы ансамблирования ==
-* [[Решающий список]]. Жадный алгоритм синтеза списка.
+Презентация: [[Media:Voron-ML-Compositions-slides2.pdf|(PDF,&nbsp;1.5&nbsp;МБ)]] {{важно|— обновление 04.05.2024}}.
-* [[Решающее дерево]]. Псевдокод: жадный [[алгоритм ID3]]. Недостатки алгоритма и способы их устранения. Проблема переобучения.
+Видеозапись: [https://youtu.be/IG7XySody7w?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy Лекция] [https://youtu.be/JaxB8PdbeUw Семинар]
-* [[Редукция решающих деревьев]]: [[предредукция]] и [[постредукция]].
+* Виды ансамблей. Теоретические обоснования. Анализ смещения и разброса для простого голосования.
-* Преобразование решающего дерева в решающий список.
+* [[Градиентный бустинг]]. Стохастический градиентный бустинг.
-* ''[[Алгоритм LISTBB]].''
+* Варианты бустинга: регрессия, [[Алгоритм AnyBoost]], [[GentleBoost]], [[LogitBoost]], [[BrownBoost]], и другие.
-* [[Чередующиеся решающие деревья]] (alternating decision tree).
+* [[Алгоритм XGBoost]].
+* [[Алгоритм CatBoost]]. Обработка категориальных признаков.
+* [[Стэкинг]]. Линейный стэкинг, взвешенный по признакам.
+* [[Смесь алгоритмов]] (квазилинейная композиция), [[область компетентности]], примеры функций компетентности.
+* Выпуклые функции потерь. Методы построения смесей: последовательный и иерархический.
+* Построение смеси алгоритмов с помощью EM-подобного алгоритма.
+<!---
+* ''Нелинейная монотонная корректирующая операция. Случай классификации. Случай регрессии. Задача монотонизации выборки, изотонная регрессия.''
+=== Бустинг алгоритмов ранжирования ===
+* Задача ранжирования. Примеры: ранжирование результатов текстового поиска, задача [[Netflix]].
+* Функционал качества — число дефектных пар.
+* Бустинг алгоритмов ранжирования — аналоги AdaBoost и AnyBoost.
+* Двудольная задача. Сведение попарного функционала качества к поточечному.
+=== Взвешенное голосование логических закономерностей ===
 * [[Решающий лес]] и бустинг над решающими деревьями. ''[[Алгоритм TreeNet]].''
+* ''Методы синтеза конъюнктивных закономерностей. Псевдокод: [[алгоритм КОРА]], [[алгоритм ТЭМП]].''
-=== Взвешенное голосование закономерностей ===
+* ''[[Чередующиеся решающие деревья]] (alternating decision tree).''
-* Методы синтеза конъюнктивных закономерностей. Псевдокод: [[алгоритм КОРА]], [[алгоритм ТЭМП]].
-* Применение алгоритма бустинга [[AdaBoost]] к закономерностям. Критерий информативности в бустинге.
-* Примеры прикладных задач: кредитный скоринг, прогнозирование ухода клиентов.
 === Алгоритмы вычисления оценок ===
 * [[Принцип частичной прецедентности]]. Структура [[Алгоритмы вычисления оценок|Алгоритмов вычисления оценок]].
@@ Строка 267: / Строка 250: @@
 * Проблема оптимизации АВО. АВО как композиция метрических закономерностей.
 * Применение бустинга, ТЭМП и СПА для оптимизации АВО.
+--->
+== Оценивание плотности и байесовская классификация ==
+Презентация: [[Media:Voron-Density-Bayes-slides.pdf|(PDF,&nbsp;1,8&nbsp;МБ)]] {{важно|— обновление 04.05.2024}}.
+Видеозапись: [https://youtu.be/dujnHz0vHY8?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy Лекция] [https://youtu.be/M8A0Wu5iPwQ Семинар]
+<!---Видеозапись: [https://youtu.be/hv3a_XOKUXk Лекция] [https://youtu.be/M8A0Wu5iPwQ Семинар]--->
+<!---Видеозапись: [https://youtu.be/ly7v6W9-lB8 Лекция] [https://youtu.be/M8A0Wu5iPwQ Семинар]--->
+* Параметрическое оценивание плотности. [[Многомерное нормальное распределение]], геометрическая интерпретация.
+* Выборочные оценки параметров многомерного нормального распределения. Проблемы [[мультиколлинеарность|мультиколлинеарности]] и [[переобучение|переобучения]]. [[Регуляризация]] ковариационной матрицы.
+* Непараметрическое оценивание плотности. [[Ядерная оценка плотности Парзена-Розенблатта]]. Одномерный и многомерный случаи.
+* [[Смесь распределений]]. [[EM-алгоритм]] как метод простых итераций.
 <!---
-=== Поиск ассоциативных правил ===
+* ''Матричное дифференцирование. Вывод оценок параметров многомерного нормального распределения.''
-* Пример прикладной задачи: [[анализ рыночных корзин]].
+* Детали реализации EM-алгоритма. Критерий останова. Выбор начального приближения.
-* Понятие [[Ассоциативное правило|ассоциативного правила]] и его связь с понятием логической закономерности.
+* Обобщённый EM-алгоритм. Стохастический EM-алгоритм.
-* Псевдокод: [[алгоритм APriori]], его недостатки и пути усовершенствования.
+* Выбор числа компонентов смеси. Пошаговая стратегия. Иерархический EM-алгоритм.
+== Байесовская теория классификации ==
+Презентация: [[Media:Voron-ML-BTC-slides.pdf|(PDF,&nbsp;1,1&nbsp;МБ)]] {{важно|— обновление 27.11.2021}}.
+Видеозапись: [https://youtu.be/ly7v6W9-lB8 Лекция] [https://youtu.be/M8A0Wu5iPwQ Семинар]
+--->
+* Байесовская теория классификации. Оптимальный байесовский классификатор.
+* Генеративные и дискриминативные модели классификации.
+* Наивный байесовский классификатор. Линейный наивный байесовский классификатор в случае экспоненциального семейства распределений.
+* [[Метод парзеновского окна]]. Выбор функции ядра. Выбор ширины окна, переменная ширина окна.
+* [[Нормальный дискриминантный анализ]]. [[Квадратичный дискриминант]]. Вид разделяющей поверхности. [[Подстановочный алгоритм]], его недостатки и способы их устранения. [[Линейный дискриминант Фишера]].
+* Смесь многомерных нормальных распределений. [[Сеть радиальных базисных функций]] (RBF) и применение EM-алгоритма для её настройки. Сравнение RBF-сети и SVM с гауссовским ядром.
+<!---
+* Мультиномиальный наивный байесовский классификатор для классификации текстов.
+* ''Связь линейного дискриминанта Фишера с [[метод наименьших квадратов|методом наименьших квадратов]].''
+* Жадное добавление признаков в линейном дискриминанте, ''[[метод редукции размерности]] Шурыгина.''
+* ''Робастное оценивание. Цензурирование выборки (отсев объектов-выбросов).''
 --->
-== Методы кластеризации ==
+== Кластеризация и частичное обучение ==
-Текст лекций: [[Media:Voron-ML-Clustering.pdf|(PDF,&nbsp;252&nbsp;КБ)]].<br/>
+Презентация: [[Media:Voron-ML-Clustering-SSL-slides.pdf|(PDF,&nbsp;2,3&nbsp;МБ)]] {{важно|— обновление 04.05.2024}}.
-Презентация: [[Media:Voron-ML-Clustering-slides.pdf|(PDF,&nbsp;1,43&nbsp;МБ)]].
+Видеозапись: [https://youtu.be/Rm4rJiDFi2k?list=PLk4h7dmY2eYH8dtnVUD51XylWpFYDcPKy Лекция] [https://youtu.be/pobOLM1MVfc Семинар]
+<!--[https://youtu.be/VxedxFC5d2I 2020]-->
-=== Кластеризация ===
 * Постановка задачи [[кластеризация|кластеризации]]. Примеры прикладных задач. Типы кластерных структур.
-* [[Графовые алгоритмы кластеризации]]. Выделение связных компонент. [[Кратчайший незамкнутый путь]].
+* Постановка задачи Semisupervised Learning, примеры приложений.
-* [[Алгоритм ФОРЭЛ]].
+* Критерии качества кластеризации, коэффициент силуэта, BCubed-меры точности и полноты.
-* Функционалы качества кластеризации.
+* [[Алгоритм k-средних]] и [[ЕМ-алгоритм]] для разделения гауссовской смеси.
-* Статистические алгоритмы: [[EM-алгоритм]] и [[Алгоритм k средних]] (k-means).
+* [[Алгоритм DBSCAN]].
-=== Таксономия ===
 * [[Агломеративная кластеризация]], [[Алгоритм Ланса-Вильямса]] и его частные случаи.
 * Алгоритм построения [[дендрограмма|дендрограммы]]. Определение числа кластеров.
+* Свойства сжатия/растяжения и монотонности.
+* Простые эвристические методы частичного обучения: self-training, co-training, co-learning.
+* Трансдуктивный метод опорных векторов TSVM.
+* Алгоритм Expectation-Regularization на основе многоклассовой регуляризированной логистической регрессии.
+<!--
+* [[Графовые алгоритмы кластеризации]]. Выделение связных компонент. [[Кратчайший незамкнутый путь]].
+* [[Алгоритм ФОРЭЛ]].
 * Свойства сжатия/растяжения, монотонности и редуктивности. Псевдокод редуктивной версии алгоритма.
 * ''Потоковые (субквадратичные) алгоритмы кластеризации.''
+* [[Многомерное шкалирование]], примеры прикладных задач.
+* Субквадратичный алгоритм, псевдокод. Минимизация функционала стресса методом Ньютона-Рафсона.
+* Визуализация: [[карта сходства]], [[диаграмма Шепарда]].
+* Совмещение многомерного шкалирования и иерархической кластеризации.
+* [[Алгоритм t-SNE]]
+-->
+== Детекция аномалий и робастные методы ==
+Презентация: [[Media:Voron-ML-outliers.pdf|(PDF,&nbsp;1.8&nbsp;МБ)]] {{важно| — обновление 04.05.2024}}.
+* Задачи выявления аномалий. Эвристические методы выявления аномалий. Алгоритм LOWESS.
+* Теория робастного обучения. Схема итерационного перевзвешивания объектов IRS.
+* Семейство робастных агрегирующих функций.
+* Итерационное перевзвешивание для произвольной агрегирующей функции. Алгоритм IR-ERM.
+* Робастная регрессия. Робастная классификация. Робастная кластеризация.
+* Выявление аномалий с помощью одноклассового SVM.
+* Парадигмы обучения PU-Learning, One-Class Classification, Open-Set Recognition, Open-World Recognition.
+= Семестр 2. Прикладные модели машинного обучения =
+== Глубокие нейронные сети ==
+Презентация: [[Media:Voron-ML-DeepLearning-slides.pdf|(PDF,&nbsp;4,1&nbsp;МБ)]] {{важно|— обновление 05.05.2024}}.
+Видеозапись: [https://youtu.be/x3TKdZi7Mo4 Лекция] [https://youtu.be/_zhKsIze8QU Семинар]
+* Обоснования глубоких нейронных сетей: выразительные возможности, скорость сходимости при избыточной параметризации.
+* Свёрточные нейронные сети (CNN) для изображений. Свёрточный нейрон. Pooling нейрон. Выборка размеченных изображений ImageNet.
+* ResNet: остаточная нейронная сеть (residual NN). Сквозные связи между слоями (skip connection).
+* Свёрточные сети для сигналов, текстов, графов, игр.
+* Рекуррентные нейронные сети (RNN). Обучение рекуррентных сетей: Backpropagation Through Time (BPTT).
+* Сети долгой кратковременной памяти (Long short-term memory, LSTM).
+* Рекуррентные сети Gated Recurrent Unit (GRU) и Simple Recurrent Unit (SRU).
+== Нейронные сети с обучением без учителя ==
+Презентация: [[Media:Voron-ML-ANN-Unsupervised-slides.pdf|(PDF,&nbsp;2,3&nbsp;МБ)]] {{важно|— обновление 09.02.2024}}.
+Видеозапись: [https://youtu.be/wfbe2yaXAkI Лекция] [https://youtu.be/wCX-8AiYYzk Семинар]
-=== Сети Кохонена ===
 * [[Нейронная сеть Кохонена]]. [[Конкурентное обучение]], стратегии WTA и WTM.
 * [[Самоорганизующаяся карта Кохонена]]. Применение для визуального анализа данных. Искусство интерпретации карт Кохонена.
-* [[Сети встречного распространения]], их применение для кусочно-постоянной и гладкой аппроксимации функций.
+* [[Автокодировщик]]. Линейный AE, SAE, DAE, CAE, RAE, VAE, AE для классификации, многослойный AE.
+* Пред-обучение нейронных сетей (pre-training).
+* Перенос обучения (transfer learning).
+* Многозадачное обучение (multi-task learning).
+* Самостоятельное обучение (self-supervised learning).
+* Дистилляция моделей или суррогатное моделирование.
+* Обучение с использованием привилегированной информации (learning using priveleged information, LUPI).
+* Генеративные состязательные сети (generative adversarial net, GAN).
-=== Задачи с частичным обучением ===
+== Векторные представления текстов и графов ==
-* Постановка задачи Semisupervised Learning.
+Презентация: [[Media:Voron-ML-Embeddings-slides.pdf|(PDF,&nbsp;1,6&nbsp;МБ)]] {{важно|— обновление 05.05.2024}}.
-* Простые эвристические методы: self-training, co-training, co-learning.
+Видеозапись: [https://youtu.be/QJK8PRfKD2g Лекция] [https://youtu.be/NtS9Dp4XhGE Семинар]
-* Адаптация алгоритмов кластеризации для решения задач с частичным обучением.
-* Трансдуктивный метод опорных векторов TSVM.
-* Алгоритм Expectation-Regularization.
+* Векторные представления текста. Гипотеза дистрибутивной семантики.
+* Модели CBOW и SGNS из программы [[word2vec]]. Иерархический SoftMax.
+* Модель [[FastText]].
+* Векторные представления графов.
+* [[Многомерное шкалирование]] (multidimensional scaling, MDS).
+* Векторное представление соседства (stochastic neighbor embedding, SNE и tSNE).
+* Матричные разложения (graph factorization).
+* Модели случайных блужданий [[DeepWalk]], [[node2vec]].
+* Обобщённый автокодировщик на графах [[GraphEDM]].
+* Представление о графовых нейронных сетях (graph neural network, GNN). Передача сообщений по графу (message passing).
+== Модели внимания и трансформеры ==
+Презентация: [[Media:Voron-ML-Attention-slides.pdf|(PDF,&nbsp;1,1&nbsp;МБ)]] {{важно|— обновление 05.05.2024}}.
+Видеозапись: [https://youtu.be/KhMweP00S44 Лекция] [https://youtu.be/GfUadGOcwtc Семинар]
+* Задачи обработки и преобразования последовательностей (sequence to sequence).
+* Рекуррентная сеть с моделью внимания.
+* Разновидности моделей внимания: многомерное, иерархическое, Query–Key–Value, внутреннее (self-attention).
+* Модели внимания на графах (Graph Attention Network). Задача классификации вершин графа.
+* Трансформеры. Особенности архитектуры кодировщика и декодировщка.
+* Критерии обучения и оценивание качества (предобучение). Модель BERT.
+<!-- * Эквивалентность MHSA и CNN-->
+* Прикладные задачи: машинный перевод, аннотирование изображений.
+* Модели внимания и трансформеры для текстов, изображений, графов.
+== Тематическое моделирование ==
 <!---
-=== Многомерное шкалирование ===
+Текст лекций: [[Media:Voron-ML-TopicModels.pdf|(PDF,&nbsp;830&nbsp;КБ)]].<br/>
-* [[Многомерное шкалирование]], примеры прикладных задач.
+Презентация 1: [[Media:Voron-ML-TopicModels-slides.pdf|(PDF,&nbsp;2.8&nbsp;МБ)]] {{важно| — обновление 16.11.2015}}.
-* Субквадратичный алгоритм, псевдокод. Размещение одной точки методом Ньютона-Рафсона.
+Презентация 2: [[Media:Voron-ML-TopicModels-slides-2.pdf|(PDF,&nbsp;6.1&nbsp;МБ)]] {{важно| — обновление 16.11.2015}}.
-* Визуализация: [[карта сходства]], [[диаграмма Шепарда]].
+Семинар 15.11.2020: [[Media:Voron-ML-TopicModeling-seminar-slides.pdf|(PDF,&nbsp;3.8&nbsp;МБ)]]
-* Совмещение многомерного шкалирования и иерархической кластеризации.
 --->
+Презентация: [[Media:Voron-ML-TopicModeling-slides.pdf|(PDF,&nbsp;3.9&nbsp;МБ)]] {{важно| — обновление 05.05.2024}}.
+Видеозапись: [https://youtu.be/Eqm8-YqUzAc Лекция] [https://youtu.be/xxwMuxM4AEg Семинар]
+* Задача [[тематическое моделирование|тематического моделирования]] коллекции текстовых документов. [[Метод максимума правдоподобия]].
+* Лемма о максимизации гладкой функции на симплексах (применение условий Каруша–Куна–Таккера).
+* [[Аддитивная регуляризация тематических моделей]]. Регуляризованный EM-алгоритм, теорема о стационарной точке. Элементарная интерпретация EM-алгоритма.
+* [[Вероятностный латентный семантический анализ]] PLSA. [[ЕМ-алгоритм]].
+* [[Латентное размещение Дирихле]] LDA. [[Метод максимума апостериорной вероятности]]. Сглаженная частотная оценка условной вероятности. Небайесовская интерпретация LDA.
+* Регуляризаторы разреживания, сглаживания, частичного обучения, декоррелирования.
+* Мультимодальная тематическая модель. Мультиязычная тематическая модель.
+* Регуляризаторы классификации и регрессии.
+* Модель битермов WNTM. Модель связанных документов. Иерархическая тематическая модель.
+* Внутренние и внешние критерии качества тематических моделей.
+== Обучение ранжированию ==
+Презентация: [[Media:Voron-ML-Ranking-slides.pdf|(PDF,&nbsp;0,9&nbsp;МБ)]] {{важно|— обновление 05.05.2024}}.
+Видеозапись: [https://youtu.be/kQ5PeshAO1w Лекция] [https://youtu.be/cN5WoTRJYtY Семинар]
+* Постановка задачи [[Обучение ранжированию|обучения ранжированию]]. Примеры.
+* Поточечные методы Ранговая регрессия. Ранговая классификация, OC-SVM.
+* Попарные методы: RankingSVM, RankNet, LambdaRank.
+* Списочные методы.
+* Признаки в задаче ранжирования поисковой выдачи: текстовые, ссылочные, кликовые. [[TF-IDF]], [[Okapi BM25]], [[PageRank]].
+* Критерии качества ранжирования: Precision, MAP, AUC, DCG, NDCG, pFound.
+* Глубокая структурированная семантическая модель [[DSSM]] (Deep Structured Semantic Model).
+== Рекомендательные системы ==
+Презентация: [[Media:Voron-ML-CF.pdf|(PDF,&nbsp;0.9&nbsp;МБ)]] {{важно| — обновление 05.05.2024}}.
+Видеозапись: [https://youtu.be/FW5UdtMwlpw Лекция] [https://youtu.be/Rge1_Bnr8JI Семинар]
+* Задачи [[коллаборативная фильтрация|коллаборативной фильтрации]], [[транзакционные данные]].
+* Корреляционные методы user-based, item-based. Задача восстановления пропущенных значений. Меры сходства.
+* Разреженная линейная модель (Sparse LInear Method, SLIM).
+* Латентные методы на основе матричных разложений. [[Метод главных компонент]] для разреженных данных (LFM, Latent Factor Model). [[Метод стохастического градиента]].
+* Неотрицательные матричные разложения NNMF. Метод чередующихся наименьших квадратов ALS. [[Вероятностный латентный семантический анализ]] PLSA.
+* Модель с учётом неявной информации (implicit feedback).
+* Автокодировщики для коллаборативной фильтрации.
+* Учёт дополнительных признаковых данных в матричных разложениях и автокодировщиках.
+* Линейная и квадратичная регрессионные модели, [[libFM]].
+* Гиперграфовая транзакционная тематическая модель для учёта дополнительных данных.
+* Измерение качества рекомендаций. Меры разнообразия (diversity), новизны (novelty), покрытия (coverage), догадливости (serendipity).
+== Поиск ассоциативных правил ==
+Презентация: [[Media:Voron-ML-AssocRules-slides.pdf|(PDF,&nbsp;1.8&nbsp;МБ)]] {{важно| — обновление 05.05.2024}}.
+Видеозапись: [https://youtu.be/jKl2jFQVh94 Лекция] [https://youtu.be/WmJKfCl9P7Y Семинар]
+* Понятие [[Ассоциативное правило|ассоциативного правила]] и его связь с понятием логической закономерности.
+* Примеры прикладных задач: [[анализ рыночных корзин]], выделение терминов и тематики текстов.
+* [[Алгоритм APriori]]. Два этапа: поиск частых наборов и рекурсивное порождение ассоциативных правил. Недостатки и пути усовершенствования алгоритма APriori.
+* [[Алгоритм FP-growth]]. Понятия FP-дерева и условного FP-дерева. Два этапа поиска частых наборов в FP-growth: построение FP-дерева и рекурсивное порождение частых наборов.
+* Общее представление о динамических и иерархических методах поиска ассоциативных правил.
+* [[Алгоритм TopMine]] для поиска коллокаций и терминов в текстах.
+<!---
+== Адаптивные методы прогнозирования ==
+Презентация: [[Media:Voron-ML-forecasting-slides.pdf|(PDF,&nbsp;0,9&nbsp;MБ)]] {{важно|— обновление 14.12.2019}}.
+Видеозапись: [https://youtu.be/HyWm8FKzyPw Лекция] [https://youtu.be/hxKdtWVqEhg Семинар]
+[https://youtu.be/u433nrxdf5k Видеозапись лекции Евгения Рябенко]
+* Задача прогнозирования временных рядов. Примеры приложений.
+* [[Экспоненциальное сглаживание|Экспоненциальное скользящее среднее]]. [[Модель Хольта]]. [[Модель Тейла-Вейджа]]. [[Модель Хольта-Уинтерса]].
+* Адаптивная авторегрессионная модель.
+* [[Следящий контрольный сигнал]]. [[Модель Тригга-Лича]].
+* Адаптивная селективная модель. Адаптивная композиция моделей.
+* Локальная адаптация весов с регуляризацией.
+--->
+== Инкрементное и онлайновое обучение ==
+Презентация: [[Media:Voron-ML-incremental-slides.pdf|(PDF,&nbsp;1,1&nbsp;MБ)]] {{важно|— обновление 05.05.2024}}.
+Видеозапись: [https://youtu.be/3KflU279d_w Лекция] [ Семинар]
+* Задачи инкрементного и онлайнового обучения. Оценивание инкрементного обучения. Кривые обучения.
+* Ленивое обучение (метрические и непараметрические методы). Онлайновый отбор эталонных объектов.
+* Онлайновый наивный байесовский классификатор.
+* Онлайновый градиентный спуск OGD. Алгоритм Perceptron. Алгоритм Passive-Aggressive.
+* Инкрементные решающие деревья ID5R.
+* Рекуррентный метод наименьших квадратов RLS. Формула Шермана-Моррисона.
+* Задача прогнозирования временных рядов. Эконометрические временные ряды с трендом и сезонностью.
+* [[Экспоненциальное сглаживание|Экспоненциальное скользящее среднее]]. [[Модель Хольта]]. [[Модель Тейла-Вейджа]]. [[Модель Хольта-Уинтерса]].
+* Адаптивная селективная модель. Адаптивная композиция моделей.
+* Онлайновое обучение ансамбля. Алгоритм Hedge, его свойства и интерпретация в задаче портфельного инвестирования.
+* Онлайновое глубокое обучение. Алгоритм Hedge BackProp.
+<!---* Онлайновое обучение новым классам. Проблема катастрофического забывания. Алгоритм iCaRL.--->
+== Обучение с подкреплением ==
+Презентация: [[Media:Voron-ML-RL-slides.pdf|(PDF,&nbsp;1.9&nbsp;МБ)]] {{важно| — обновление 05.05.2024}}.
+Видеозапись: [https://youtu.be/B4Fk2KNHzFY Лекция] [https://youtu.be/3Xex0Z5D6O8 Семинар]
+* Задача о многоруком бандите. Жадные и эпсилон-жадные стратегии. Метод UCB (upper confidence bound).
+* Адаптивные стратегии на основе скользящих средних. Метод сравнения с подкреплением. Метод преследования.
+* Постановка задачи в случае, когда агент влияет на среду. Ценность состояния среды. Ценность действия.
+* Жадные стратегии максимизации ценности. Уравнения оптимальности Беллмана.
+* Метод SARSA. Метод Q-обучения. Типизация методов на on-policy и off-policy.
+* Глубокое Q-обучение нейронной сети DQN на примере обучения играм Atari.
+<!---* Метод временных разностей TD. Многошаговое TD-прогнозирование. Обобщения методов временных разностей, SARSA, Q-обучения. --->
+* Градиентная оптимизация стратегии (policy gradient). Связь с максимизацией log-правдоподобия.
+* Модели актор-критик. Модели с непрерывным управлением.
+* Постановка задачи при моделировании среды. Типизация методов на model-free и model-based.
+* Контекстный многорукий бандит. Линейная регрессионная модель с верхней доверительной оценкой LinUCB.
+* Оценивание новой стратегии по большим историческим данным, сформированным при старых стратегиях.
+== Активное обучение ==
+Презентация: [[Media:Voron-ML-AL-slides.pdf|(PDF,&nbsp;2.3&nbsp;МБ)]] {{важно| — обновление 26.04.2024}}.
+Видеозапись: [https://youtu.be/kGJ7PPTcUHw Лекция] [https://youtu.be/JlPLaNQXNO8 Семинар]
+* Постановка задачи машинного обучения. Основные стратегии: отбор объектов из выборки и из потока, синтез объектов. Приложения активного обучения.
+* Почему активное обучение быстрее пассивного. Оценивание качества активного обучения. Кривые обучения.
+* Сэмплирование по неуверенности.
+* Сэмплирование по несогласию в комитете. Сокращение пространства решений.
+* Сэмплирование по ожидаемому изменению модели.
+* Сэмплирование по ожидаемому сокращению ошибки.
+* Синтез объектов методами безградиентной оптимизации. [[Метод Нелдера-Мида]].
+* Синтез объектов по критерию сокращения дисперсии.
+* Взвешивание по плотности.
+* Введение изучающих действий в стратегию активного обучении. Алгоритмы ε-active и EG-active.
+* Использование активного обучения в краудсорсинге. Согласование оценок аннотаторов. Назначение заданий аннотаторам.
+<!---* Применение обучения с подкреплением для активного обучения. Активное томпсоновское сэмплирование.--->
+== Интерпретируемость и объяснимость ==
+Презентация: [[Media:Voron-ML-xai.pdf|(PDF,&nbsp;3.8&nbsp;МБ)]] {{важно| — обновление 04.05.2024}}.
+* Интерпретируемость и объяснимость — цели, задачи, основные понятия.
+* Интерпретируемые модели машинного обучения.
+* Оценки значимости признаков в линейной регрессии.
+* Графики частичной зависимости (Partial Dependence Plot, PDP).
+* Графики индивидуальных условных зависимостей (ICE).
+* Перестановочные оценки значимости признаков.
+* Вектор Шепли (из теории кооперативных игр), его свойства, способы оценивания, применение в линейной регрессии.
+* Суррогатное моделирование в окрестности объекта.
+* Метод LIME (Local Interpretable Model-agnostic Explanations).
+* Метод якорей (Anchors).
+* Метод SHAP (SHapley Additive exPlanations).
+* Метод Shapley Kernel.
+* Метод SAGE (Shapley Additive Global importancE).
+* Вектор Шепли для объектов, метод Gradient Shapley.
+* Контрфактическое объяснение, метод поиска контрфактов (Counterfactual explanations).
+= Дополнительные лекции =
+== Теория переобучения ==
+Презентация: [[Media:Voron-ML-overfitting.pdf|(PDF,&nbsp;1.6&nbsp;МБ)]] {{важно| — обновление 3.11.2024}}.
+* Задача оценивания вероятности переобучения. Матрица ошибок конечного множества алгоритмов.
+* [[Теория Вапника–Червоненкиса]]. Размерность Вапника–Червоненкиса (VC-dimension, [[ёмкость]]). [[Метод структурной минимизации риска]].
+* Бритва Оккама (Occam's razor bound).
+* Эксперименты с переобучением. Монотонная цепь алгоритмов.
+* Переобучение при выборе из двух алгоритмов.
+* Комбинаторная теория переобучения. Граф расслоения-связности конечного множества алгоритмов.
+* Порождающие и запрещающие множества. Связность и неоптимальность алгоритма. Оценка расслоения-связности.
+== Обзор оптимизационных задач машинного обучения ==
+Презентация: [[Media:Voron-ML-final.pdf|(PDF,&nbsp;3.9&nbsp;МБ)]] {{важно| — обновление 4.05.2021}}.
+Видеозапись: [https://youtu.be/eDptWKPrIy4 Лекция]
+Презентация: [[Media:Voron-MLopt-survey.pdf|(PDF,&nbsp;1.3&nbsp;МБ)]] {{важно| — обновление 13.12.2024}}.
+= См. также =
+* [https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie Курс «Введение в машинное обучение», К.В.Воронцов (ВШЭ и Яндекс)].[https://habrahabr.ru/company/yandex/blog/269175 Хабр об этом курсе].
+* [https://www.coursera.org/specializations/machine-learning-data-analysis Специализация «Машинное обучение и анализ данных» (МФТИ и Яндекс)]. [https://habrahabr.ru/company/yandex/blog/277427 Хабр об этом курсе].
+* [https://drive.google.com/open?id=0B-3LhgkjkY_OSDJncFdxTkFaOG8 Машинное обучение (семинары,ФУПМ МФТИ)]
+* [[Машинное обучение (семинары, ВМК МГУ)]]
+* [[Машинное обучение (курс лекций, Н.Ю.Золотых)]]
+* [[Машинное обучение (курс лекций, СГАУ, С.Лисицын)]]
+= Литература =
+# ''Hastie T., Tibshirani R., Friedman J.'' The Elements of Statistical Learning. Springer, 2014. — 739 p.
+# ''Bishop C. M.'' Pattern Recognition and Machine Learning. — Springer, 2006. — 738 p.
+# ''Мерков А. Б.'' Распознавание образов. Введение в методы статистического обучения. 2011. 256 с.
+# ''Мерков А. Б.'' Распознавание образов. Построение и обучение вероятностных моделей. 2014. 238 с.
+# ''Коэльо Л.П., Ричарт В.'' Построение систем машинного обучения на языке Python. 2016. 302 с.
-== Список подстраниц ==
+= Список подстраниц =
 {{Служебная:Prefixindex/Машинное обучение (курс лекций, К.В.Воронцов)/}}
 [[Категория:Учебные курсы]]