Приветствую тебя на странице онлайн-курса по Машинному обучению для всех студентов бакалавриата и магистратуры. В курсе предполагается шесть трехчасовых занятий: два – по классическим методам (Classical ML), три – по глубокому обучению (Deep Learning) и еще одно – по обучению с подкреплением (Reinforcement Learning). С одной стороны, курс не будет требовать серьезных знаний математики, поэтому рассчитан на довольно широкую аудиторию. С другой стороны, в курсе все равно будет подробно рассматриваться теория (пусть и без доказательства теорем и сложных математических выводов), чтобы у слушателей сложилось полное понимание работы алгоритмов, и они не воспринимали Машинное обучение как «магию», которую надо повызывать из Питона, и она почему-то сработает (или нет). Также, в отличие от полностью теоретических курсов, будет подробно обсуждаться и практическая часть: какие есть реализации алгоритмов в Питоне и как ими пользоваться.
Преподаватель курса: ассистент кафедры информатики МФТИ Плюснин Павел
Классические методы I (от 03.04.2020):
Первое занятие курса посвящено классическим методам. Сперва мы рассмотрим общую постановку задач машинного обучения, разберемся, какими они бывают. Далее изучим метрический классификатор kNN и его модификации, рассмотрим логические классификаторы на примере решающих деревьев и случайных лесов, а также разберем ансамблевые методы (бэггинг и бустинг)Классические методы II (от 10.04.2020):
На втором занятии мы рассмотрим линейные модели, различные регуляризаторы и метрики качества. Также мы разберем популярные алгоритмы кластеризации (k-means, DBSCAN и др) и понижения размерности (PLSA, SVD, t-SNE)Глубокое обучение I (от 17.04.2020):
На этом занятии будут разобраны основные понятия глубокого обучения: методы обучения (BackPropagation) и оптимизации (RMSProp, Adam и др.) нейронных сетей, используемые функции активации. Мы обсудим способы инициализации и регуляризации сетей, познакомимся с полносвязными нейронными сетями, автокодировщиками, а также с GANами (генеративно-состязательные сети).Глубокое обучение II (от 24.04.2020):
На втором занятии по Глубокому обучению мы рассмотрим самые современные и популярные архитектуры нейронных сетей для задач классификации и семантической сегментации изображений, а в практической части построим U-Net
Глубокое обучение III (от 01.05.2020):
На последнем занятии по Глубокому обучению мы рассмотрим рекуррентные нейронные сети: особенности обучения, популярные архитектуры (LSTM и GRU) и задачи, в которых они находят свое применение.
Обучение с подкреплением (от 08.05.2020):
Reinforcement learning является довольно новым и перспективным направлением Машинного обучения. В отличие от Классических методов и Глубокого обучения, по нему есть очень мало материалов и курсов на русском языке, многие из которых написаны очень сложно и мудрено.
На этой лекции преподаватель расскажет доступным языком все основные подходы Обучения с подкреплением.
Зачем изучать Reinforcement learning? Обучение с подкреплением применяется во множестве прикладных задач: начиная от участия в игровых соревнованиях по Dota2, Starcraft и го, заканчивая управлением технологическими процессами, показом рекламы в интернете и подбором рекомендаций пользователям, игрой на бирже и управлением инвестиционными портфелями. Именно через Обучение с подкреплением лежит путь к сильному искусственному интеллекту.