Фонд «Интеллект» | Статистическая регуляризация и перспективные методы машинного обучения

Реализованные инициативы
Спецкурсы и факультативы
Статистическая регуляризация и перспективные методы машинного обучения

О курсе

Академический состав

О курсе
Академический состав

Цель курса - дать слушателем представление о современном состоянии теории машинного обучения, а также об эффективных на практике методах и подходах. Особый акцент будет сделан на регуляризующие свойствах алгоритмов, как ключевых факторов эффективного применения методов машинного обучения. Также в курсе будет проводиться связь с классической теорией регуляризации и будут намечены пути для расширения взаимодействия классической теории и машинного обучения.

В ходе обучения:

слушатели получат представление о современных эффективных методах машинного обучения с подробным теоретическим обоснованием;
будет проведена связь методов машинного обучения с классическими математическими областями, а также разобраны перспективные направления теоретических и практических математических методов;
применение разобранных методов будет проиллюстрировано на приложениях, имеющих большой практический интерес.

Темы, изучаемые в рамках курса

Лекция 1. Вводная лекция. Основные понятия и обзор методов искусственного интеллекта.

Лекция 2. Основы теории регуляризации. Современные методы регуляризации. Байесовский формализм и обратные задачи

Семинар 1. Практика решения обратных задач.

Лекция 3. Байесовские методы выбора моделей. Методы наибольшей обоснованности.

Лекция 4. Понятие латентных переменных. Смеси гауссовских распределений. Байесовский подход к методу опорных векторов.

Семинар 2. Применение байесовского подхода к моделям машинного обучения

Лекция 5. Вариационный вывод и вариационные автокодировщики.

Лекция 6. Метод Монте-Карло по схеме марковских цепей. Гамильтонова динамика.

Семинар 3. Практика применения вариационного вывода.

Лекция 7. Гауссовский процессы и процессы Дирихле.

Семинар 4. Практика применения гауссовских процессов.

Лекция 8. Диффузионные модели.

Семинар 5. Практика применения диффузионных моделей

Лекция 9. Генеративные модели

Семинар 6. Практика применения генеративных моделей.

Лекция 10. Методы понижения размерности и обучение на многообразиях. Основы топологического анализа данных.

Аттестация студентов. Прослушивание докладов и презентация результатов расчетов студентов по заданным темам.

Занятия проводятся на физическом факультете МГУ им. М. В. Ломоносова

В программе курса 17 занятий: 11 лекций и 6 семинаров

Преподаватели курса:

Чурбанов Дмитрий Владимирович

Образование

Прикладная математика и информатика
Московский государственный университет имени М.В. Ломоносова
Специализация
Обратные задачи, теория регуляризации, машинное обучение

О курсе

Академический состав