Теория и практика машинного обучения — Учебное пособие рассматривает вопросы, связанные с анализом данных: модели, алгоритмы, методы и их реализацию на языке Python. Особое внимание уделено анализу временных рядов. С теоретической стороны машинное обучение – дисциплина, находящаяся на пересечении математической статистики, численных методов оптимизации, теории вероятностей, а также дискретного анализа. С помощью ее методов происходит решение задачи извлечения знаний из данных, которой занимается еще только формирующаяся область «Интеллектуальный анализ данных» (DataMining). С практической же стороны машинное обучение нацелено на создание систем, способных адаптироваться к решению различных задач без явного кодирования алгоритма, то есть систем, способных обучаться. В последних разделах книги обучающемуся предлагаются контрольные вопросы по пройденным темам, а также задачи для выполнения, с помощью которых он сможет проверить себя и закрепить полученные навыки. Книга предназначена для студентов группы направлений 09, а также для студентов других групп направлений, изучающих дисциплины, связанные с разработкой приложений в области анализа данных, в том числе TimeSeriesDataMinig и DataMining.
Содержание:
Введение Задачи машинного обучения Пространство признаков Формальное определение понятия «обучение» Общий алгоритм машинного обучения Типы задач машинного обучения Способы обучения и оценки его качества Типовые задачи при подготовке данных и обучении моделей Учет пропусков Кодирование нечисловых признаков Приведение данных к единому масштабу и стандартизация Разметка данных Переобучение Модели и алгоритмы машинного обучения Методы теории вероятностей Деревья решений Статистические модели и методы Модели и методы нечеткой логики Нечеткие множества Лингвистические переменные Операции нечеткой логики Нечеткие системы Нечеткая логика в анализе временных рядов Метод моделирования нечетких временных рядов Пример моделирования временного ряда в нечетком подходе Извлечение знаний из временных рядов Нечеткое сглаживание временного ряда Нечеткая регрессия ACL-шкала и нечеткая кластеризация объектов Искусственные нейронные сети Особенности нейронных сетей Определение модели искусственной нейронной сети Первая формальная модель и первая реализация нейронной сети Многослойный персептрон (MLP) Сверточные (ConvolutionalNeuralNet) и Глубокие (DeepNet) Сети Карты (ART, SFAM) Рекуррентные сети (Recurrent Neural Network) Самоорганизующиеся карты (Self-organization map, SOM) Автокодировщики (AutoEncoder) Импульсные (Спайковые) сети Причины бурного развития ИНС сегодня Борьба с переобучением в ИНС Обратное распространение ошибки Нечеткие нейронные сети Генетические алгоритмы Нечеткие системы с генетической настройкой Нечеткие нейронные сети с генетическим проектированием Генетическая оптимизация F-преобразования временных рядов Разработка приложений в сфере машинного обучения Основы работы с Python Элементарные операции с данными Работа с DataFrame Предобработка данных. Стандартизация и нормализация Работа с деревьями решений Сохранение и загрузка обученной модели Работа с логистической регрессией Решение задачи ранжирования признаков Работа с полиномиальной регрессией Работа с простейшими моделями нейронных сетей Реализация алгоритма обучения нейронной сети Регуляризация и сеть прямого распространения Работа с библиотеками Keras и Theano. Настройка под Windows Получение данных средствами Keras Создание и обучение модели сверточной сети Загрузка и сохранение сложных моделей Рекуррентные сети для прогнозирования временных рядов Контрольные вопросы и тестовые задания Тест «Общие сведения о машинном обучении» Проблема переобучения Регрессия Модели и методы нечеткой логики Нечеткие временные ряды Нечеткая регрессия Генетические алгоритмы Нечеткая кластеризация Искусственные нейронные сети и глубинное обучение Тест «Искусственные нейронные сети» Практические задания Работа с файлом данных Титаника Работа по отбору признаков Многослойный персептрон Реализация алгоритма обратного распространения ошибки Регуляризация и сеть прямого распространения Сравнение эффективности моделей из библиотеки Keras Работа с библиотекой OpenCV Нечеткая логика Генетические алгоритмы Нечеткая кластеризация объектов Анализ временных рядов Работа с рекуррентными сетями Заключение ссарий Предметный указатель Библиографический список
Разместите ссылку на эту страницу в социальных сетях. Так о ней узнают тысячи человек:
Facebook
Twitter
Мой мир
Вконтакте
Одноклассники
Нашли ошибку? Сообщите администрации сайта: Выберите один из разделов меню и, если необходимо, напишите комментарий
За ложную информацию бан на месяц
Разместите, пожалуйста, ссылку на эту страницу на своём веб-сайте:
Код для вставки на сайт или в блог: Код для вставки в форум (BBCode): Прямая ссылка на эту публикацию:
Основные понятия, касающиеся теории искусственного интеллекта (ИИ) и интеллектуальных систем (ИС). Типичными примерами интеллектуальных систем являются экспертные системы и искусственные нейронные сети. Общие вопросы построения экспертных систем, их архитектуре, режимам работы, этапам разработки. Взаимосвязь таких понятий, как ИИ, машинное обучение ...
Нейросетевые методы в обработке естественного языка — Это классическое руководство посвящено применению нейросетевых моделей к обработке данных естественного языка (Natural Language Processing – NLP). В первой половине книги рассматриваются основы машинного обучения с учителем на лингвистических данных и применение векторных, а не символичес ...
В настоящем пособии представлены методические указания к выполнению восьми лабораторных работ по дисциплине «Технологии машинного обучения». По итогам выполнения всех работ студент должен получить теоретические знания об основных математических подходах и технологиях построения моделей машинного обучения, методах предобработки и анализа данных, осн ...
Технологии анализа текстовой информации стремительно меняются под влиянием машинного обучения. Нейронные сети из теоретических научных исследований перешли в реальную жизнь, и анализ текста активно интегрируется в программные решения. Нейронные сети способны решать самые сложные задачи обработки естественного языка, никого не удивляет машинный пере ...
Данный материал НЕ НАРУШАЕТ авторские права никаких физических или юридических лиц. Если это не так - свяжитесь с администрацией сайта. Материал будет немедленно удален. Электронная версия этой публикации предоставляется только в ознакомительных целях. Для дальнейшего её использования Вам необходимо будет приобрести бумажный (электронный, аудио) вариант у правообладателей.