2024
Практическое введение
в машинное обучение
Cпецкурс посвящён практическим приёмам решения задач машинного обучения. Будут построены, обучены и проверены модели в классических задачах машинного обучения, таких как классификация, обнаружение объектов на изображении, обнаружение аномалий в сигнале, оценка параметров динамической системы, обучение с подкреплением. Каждая задача будет решена “от начала до конца”. Скрипты и записные книжки Jupiter будут доступны в материалах курса.
Будут рассмотрены сопутствующие задачи сбора, хранения и визуализации данных, сравнения результатов экспериментов по машинному обучению, обеспечения воспроизводимости экспериментов, подбора гиперпараметров и программные средства для их решения.
Доцент кафедры математической физики ВМК МГУ
Руководитель лаборатории Информационных технологий в научных исследованиях
Требования к слушателям
Слушатели должны владеть знаниями по математическому анализу, линейной алгебре и дифференциальным уравнениям,
соответствующими основным образовательным программам бакалавриата и магистратуры по укрупненным группам
направлений и специальностей 01.00.00 «Математика и механика», 02.00.00 «Компьютерные и информационные науки». Также слушатели должны владеть программированием на языке Python 3 для выполнения практикума.
2. Основные определения и метрики машинного обучения. Программные пакеты для решения задач машинного обучения.
Визуализация, работа с данными, записные книжки, облачные технологии.
3. Подбор гиперпараметров в задаче классификации.
4. Глубокое обучение. Нейронные сети прямого распространения. Численное дифференциирование.
5. Сверточные нейронные сети. Задача обнаружения объектов на изображении.
6. Генеративно-состязательные сети. Задача обнаружения аномалий.
7. Интеграция обученных моделей в программные продукты. ONNX и другие форматы для обмена моделями.
8. Воспроизводимые вычислительные эксперименты. Выполнение больших вычислительных экспериментов. Сравнение результатов экспериментов.
9. Объяснимость модели. Машинное обучение на основе моделей. Оценка параметров методом MCMC.
10. Графовые вероятностные модели. Вероятностное программирование.
11. Обучение с подкреплением. OpenAI Gym