Алгоритмы машинного обучения, Смоляков В., 2026

Алгоритмы машинного обучения, Смоляков В., 2026.
 
   Узнайте тонкости работы алгоритмов ML. чтобы эффективно решать задачи и повышать производительность используемых моделей. Познакомьтесь с фундаментальными математическими основами важнейших алгоритмов машинного обучения и вариантами их реализации на Python. Особое внимание уделяется вероятностным методам.
В книге анализируются и объясняются десятки алгоритмов, применяемых в различных сферах, в частности финансах, компьютерном зрении и обработке естественного языка. Каждый алгоритм сначала выводится математически, а потом иллюстрируется кодом на Python, снабженным подробными пояснениями и информативными графиками. Особую ценность представляет данная автором ясная интерпретация байесовских алгоритмов для моделей Монте-Карло и марковских цепей.




Алгоритмы машинного обучения.
Алгоритм — это последовательность шагов, необходимых для выполнения определенной задачи. Он получает входные данные, выполняет последовательность операций и выдает желаемый результат. Простейшим примером алгоритма является сортировка списка целых чисел. После выполнения набора операций мы получаем отсортированный список. Информация в таком списке приобретает более упорядоченный вид, и в ней становится легче находить ответы на интересующие нас вопросы.

Обычно алгоритм, в зависимости от размера входных данных п, характеризуется двумя показателями: тем, как быстро он работает (временная сложность алгоритма), и тем, сколько памяти ему требуется (пространственная сложность алгоритма). Например, сортировка на основе сравнения, как мы увидим позже, обладает временной сложностью O(n log n) и требует памяти O(n).

ОГЛАВЛЕНИЕ.
От издательства.
О научном редакторе русского издания.
Предисловие.
Благодарности.
О книге.
Для кого эта книга.
Структура книги.
О коде в книге.
Форум liveBook.
Об авторе.
Иллюстрация на обложке.
Часть 1. Введение в алгоритмы машинного обучения.
Глава 1. Алгоритмы машинного обучения.
1.1. Типы алгоритмов машинного обучения.
1.2. Зачем изучать алгоритмы с нуля?.
1.3. Математические основы.
1.4. Байесовский вывод и глубокое обучение.
1.4.1. Два основных направления байесовского вывода: MCMC и VI.
1.4.2. Современные алгоритмы глубокого обучения.
1.5. Реализация алгоритмов.
1.5.1. Структуры данных.
1.5.2. Парадигмы решения задач.
Итоги.
Глава 2. Марковские цепи Монте-Карло.
2.1. Введение в марковские цепи Монте-Карло.
2.1.1. Апостериорное распределение для подбрасываний монеты.
2.1.2. Цепи Маркова для ранжирования веб-страниц.
2.2. Оценка числа «пи».
2.3. Модель биномиального дерева.
2.4. Самоизбегающее случайное блуждание.
2.5. Семплирование по Гиббсу.
2.6. Алгоритм Метрополиса — Гастингса.
2.7. Выборка по значимости.
2.8. Упражнения.
Итоги.
Глава 3. Вариационный вывод.
3.1. Вариационный вывод KL.
3.2. Приближение среднего поля.
3.3. Удаление шума на изображении в модели Изинга.
3.4. Максимизация взаимной информации.
3.5. Упражнения.
Итоги.
Глава 4. Программная реализация.
4.1. Структуры данных.
4.1.1. Линейные структуры данных.
4.1.2. Нелинейные структуры данных.
4.1.3. Вероятностные структуры данных.
4.2. Парадигмы решения задач.
4.2.1. Полный поиск.
4.2.2. Жадный алгоритм.
4.2.3. Разделяй и властвуй.
4.2.4. Динамическое программирование.
4.3. Исследования в области ML: методы семплирования и вариационный вывод.
4.4. Упражнения.
Итоги.
Часть 2. Обучение с учителем.
Глава 5. Алгоритмы классификации.
5.1. Введение в задачу классификации.
5.2. Перцептрон.
5.3. Метод опорных векторов.
5.4. Логистическая регрессия.
5.5. Наивный байесовский классификатор.
5.6. Дерево решений (CART).
5.7. Упражнения.
Итоги.
Глава 6. Алгоритмы регрессии.
6.1. Введение в регрессию.
6.2. Байесовская линейная регрессия.
6.3. Иерархическая байесовская регрессия.
6.4. Регрессия K ближайших соседей.
6.5. Регрессия на основе гауссовского процесса.
6.6. Упражнения.
Итоги.
Глава 7. Избранные алгоритмы обучения с учителем.
7.1. Марковские модели.
7.1.1. Алгоритм ранжирования страниц.
7.1.2. Скрытые марковские модели.
7.2. Обучение на несбалансированных данных.
7.2.1. Стратегии уменьшения выборки.
7.2.2. Стратегии увеличения выборки.
7.3. Активное обучение.
7.3.1. Стратегии запроса.
7.4. Выбор модели: настройка гиперпараметров.
7.4.1. Байесовская оптимизация.
7.5. Ансамблевые методы.
7.5.1. Бэггинг.
7.5.2. Бустинг.
7.5.3. Стекинг.
7.6. Исследования в области ML: алгоритмы обучения с учителем.
7.7. Упражнения.
Итоги.
Часть 3. Обучение без учителя.
Глава 8. Основные алгоритмы обучения без учителя.
8.1. Метод K средних с процессом Дирихле.
8.2. Модели гауссовой смеси.
8.2.1. Алгоритм максимизации ожидания.
8.3. Снижение размерности.
8.3.1. Анализ главных компонент.
8.3.2. Метод t-SNE-обучения на базе многообразий на примере изображений.
8.4. Упражнения.
Итоги.
Глава 9. Избранные алгоритмы обучения без учителя.
9.1. Латентное размещение Дирихле.
9.1.1. Вариационный байесовский метод.
9.2. Оценки плотности.
9.2.1. Ядерная оценка плотности.
9.2.2. Оптимизация тангенциального портфеля.
9.3. Моделирование структуры.
9.3.1. Алгоритм Чоу — Лю.
9.3.2. Оценка обратной ковариационной матрицы.
9.4. Метод имитации отжига.
9.5. Генетический алгоритм.
9.6. Исследования в области ML: обучение без учителя.
9.7. Упражнения.
Итоги.
Часть 4. Глубокое обучение.
Глава 10. Фундаментальные алгоритмы глубокого обучения.
10.1. Многослойный перцептрон.
10.2. Сверточные нейронные сети.
10.2.1. LeNet на датасете MNIST.
10.2.2. ResNet для поиска изображений.
10.3. Рекуррентные нейронные сети.
10.3.1. LSTM-классификация последовательностей.
10.3.2. Модель с несколькими входами.
10.4. Оптимизаторы нейронных сетей.
10.5. Упражнения.
Итоги.
Глава 11. Передовые алгоритмы глубокого обучения.
11.1. Автоэнкодеры.
11.1.1. VAE: обнаружение аномалий во временных рядах.
11.2. Амортизированный вариационный вывод.
11.2.1. Сети смешанной плотности.
11.3. Внимание и трансформеры.
11.4. Графовые нейронные сети.
11.5. Исследования в области ML: глубокое обучение.
11.6. Упражнения.
Итоги.
Приложение А. Дополнительные материалы и веб-ресурсы.
А.1. Спортивное программирование.
А.2. Рекомендуемая литература.
А.3. Научно-исследовательские конференции.
Приложение Б. Ответы на упражнения.



Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Алгоритмы машинного обучения, Смоляков В., 2026 - fileskachat.com, быстрое и бесплатное скачивание.

Скачать pdf
Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Скачать - pdf - Яндекс.Диск.




Теги: учебник по программированию :: программирование :: Смоляков