Название: Основы машинного обучения
Автор: Лимановская О.В., Алферьева Т.И.
Издательство: Екатеринбург: Уральский федеральный университет им. Первого президента России Б.Н. Ельцина (УрФУ)
Год: 2020
Формат: pdf
Страниц: 88
Размер: 13 mb
Язык: русский
Изложены основы машинного обучения, а также история его появления. Даны определения основным понятиям: выборка, объекты выборки, параметры, функционал ошибки и прочее. Описаны основы градиентного спуска и его модификаций, основные алгоритмы обучения с учителем и обучения без учителя.
Оглавление
Data Science — что это такое и зачем она нужна?
Что такое data science?
Data Science — зачем она нужна?
Контрольные вопросы
Основы обучения с учителем
Основные понятия
Контрольные вопросы
Градиентный спуск
Пакетный метод градиентного спуска
Стохастический градиентный спуск
Mini-batch
Адаптивный градиентный спуск
Контрольные вопросы
Переобучение модели и методы борьбы с ним
Суть проблемы переобучения
Отложенная выборка
Кросс-валидация
Регуляризация
Контрольные вопросы
Бинарная классификация
Основные понятия и задачи классификации
Линейный классификатор
Логистическая регрессия
Метрики качества классификации
Контрольные вопросы
Решающие деревья и случайный лес
Решающие деревья
Случайный лес
Bagging
Boosting
Градиентный бустинг
Контрольные вопросы
Обучение без учителя
Основные понятия и области применения
Контрольные вопросы
Понижение размерности
Алгоритмы отбора признаков
Проекция признаков
Контрольные вопросы
Кластеризация
Задача, алгоритм и этапы кластеризации
Метод ближайших соседей (kNN)
Метод к средних (k-means)
Плотностной алгоритм пространственной кластеризации с присутствием шума (Density-based spatial clustering of applications with noise — DBSCAN)
Иерархические методы кластеризации
Контрольные вопросы