Основы машинного обучения, Лимановская О.В., Алферьева Т.И., 2020

Основы машинного обучения, Лимановская О.В., Алферьева Т.И., 2020.

   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.




Основы обучения с учителем.
Итак, во введении мы рассмотрели области применения машинного обучения и его возможности на примерах. Результаты применения поражают воображение. Теперь настала пора разобраться в деталях и понять, как же это становится возможным.

В машинном обучении выделяют 2 основных подхода — обучение с учителем и обучение без учителя. В этой главе рассмотрим первый подход — с учителем.

Начнем с жизненной ситуации. У девушки — день рождения, и Пете нужно подарить ей цветы. Известно, что она не любит экзотические цветы, но какие нравятся — не известно. Петя подошел к проблеме с точки зрения машинного обучения и собрал данные о том, какие цветы больше всего любят девушки, и выбрал девушек близкого к имениннице возраста и внешности. Оказалось, что в предпочтениях лидируют два самых популярных цветка — роза и гербера. Причем 80% девушек отдают предпочтение розам, а 20% — герберам.

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.

Купить .








Теги: учебник по информатике :: информатика :: компьютеры :: Лимановская :: Алферьева