0
коммент.
Начинает свою работу страница курса "Прикладная информатика: машинное обучение". Курс проводится при поддержке компании Akvelon.
В настоящем разделе размещена информация, затрагивающая литературу, ссылки, лекционные и практические занятия по темам курса, а также примеры реализаций алгоритмов.
Место и время проведения
Лаборатория "Дискретная и вычислительная геометрия" им. Б.Н. Делоне (ул. Комсомольская, д. 3). Занятия проводятся два раза в неделю: среда (с 18.30 до 20.30) и суббота (с 12.00 до 15.00).
Что сделать до следующего занятия?
Что сделать до следующего занятия?
- До 22.03.2017 (среда) необходимо установить программное обеспечение указанное в лекции 1.
- До 25.03.2017 (суббота) изучить материалы лекции № 2. Сдать решение тестового задания № 1.
- До 29.03.2017 (среда) сдать отчет по практическому заданию № 1.
- До 01.04.2017 (суббота) изучить материалы лекции № 3.
- До 05.04.2017 (среда) сдать отчет по практическому заданию № 2.
- До 08.04.2017 (суббота) изучить материалы лекции № 4. Сдать решение тестового задания № 2.
- До 12.04.2017 (среда) сдать отчет по практическому заданию № 3.
- До 15.04.2017 (суббота) изучить материалы лекции № 5.
- До 19.04.2017 (среда) сдать отчет по практическому заданию № 4.
- До 22.04.2017 (суббота) изучить материалы лекции № 6. Сдать решение тестового задания № 3.
- До 26.04.2017 (среда) сдать отчет по практическому заданию № 5.
- До 29.04.2017 (суббота) изучить материалы лекции № 7.
- До 03.04.2017 (среда) сдать отчет по практическому заданию № 6.
- До 06.05.2017 (суббота) изучить материалы лекций № 8 и № 9. Сдать решение тестового задания № 4.
- До 10.05.2017 (среда) сдать отчет по практическому заданию № 7.
- До 15.05.2017 (понедельник) заполнить и выслать форму обратной связи по курсу (ссылка).
- Введение и обзор материала курса. Линейная регрессия с одной переменной (презентация .pptx). Python 3 скачиваем здесь. Ссылки на библиотеки NumPy, SciPy, Matplotlib и Scikit-Learn. Опционально могут быть установлены библиотеки OpenCV, Pandas и Scikit-Image. Возможной сборкой пакетов для работы с Python может служить Anaconda. Коды можно набивать в текстовом редакторе Siblime Text 3, далее выполняя их через командную строку. Как установить библиотеку OpenCV под Python 3 можно прочитать здесь. Полезным введением в язык программирования Python является следующий online-курс, а также следующий источник. Для улучшения понимания внутренней работы Python рекомендуется обратиться к Python Tutor.
- Линейная регрессия со множеством переменных. Классификация. Логистическая регрессия (презентация .pptx).
- Искусственные нейронные сети (представление) (презентация .pptx). Для работы со сверточными нейронными сетям, возможно, окажутся полезными следующие библиотеки: OpenCV, Theano, TensorFlow и Caffe.
- Искусственные нейронные сети (обучение) (презентация .pptx).
- Рекомендации по применению алгоритмов машинного обучения. Построение систем машинного обучения. Оптическое распознавание символов. Данные, данные, данные ... (презентация .pptx). Дополнительно рекомендуется ознакомиться с лекцией "Метрики качества классификации" курса "Введение в машинное обучение" от Высшей школы экономики. Ссылка на презентации из данной лекции находится здесь.
- Кластеризация (презентация .pptx).
- Анализ главных компонент (презентация .pptx). Копию оригинальной статьи К. Пирсона 1901 г., в которой было предложено описание анализа главных компонент может быть найдена здесь. Ссылка на статью Turk M., Pentland А. Eigenfaces for Recognition // Journal of Cognitive neuroscience. 1991. V. 3, №1. P. 73–86 может быть найдена здесь. Опционально, про применение анализа главных компонент в задаче шумоподавления на цифровых изображениях можно узнать из следующего источника. В лекции №29 курса Strang G. Linear Algebra (18.06, 1999, MIT) можно ознакомиться с темой, посвященной SVD - Singular Value Decomposition (ссылка).
- Детектирование лиц на основе алгоритма Виола / Джонса (презентация .pptx). Ссылка на статью Viola P., Jones M. Robust Real-time Object Detection // Int. J. Computer Vision. 2004. V. 57, №2. P. 137–154 (ссылка). Видеоролики, демонстрирующие использование алгоритма Виола / Джонса для управления мобильным роботом (ссылка 1, ссылка 2). Демонстрационный программный код, показывающий работу детектора Виола / Джонса можно найти здесь. Для запуска кода потребуется установить библиотеку OpenCV по следующей ссылке.
- Машинное обучение на больших базах данных (презентация .pptx).
- Введение в глубокое обучение. Сверточные нейронные сети (презентация .pptx). Демонстрационные программные коды, показывающие работу сверточной нейронной сети можно найти здесь.
- Линейная регрессия (описание .rar). Подсказка для выполнения практического задания (ссылка). Срок сдачи задания - 29.03.2017. Решение практического задания №1 (ссылка).
- Логистическая регрессия (описание .rar). Срок сдачи задания - 05.04.2017. Решение практического задания №2 (ссылка).
- Многоклассовая классификация и нейронные сети (описание .rar). Срок сдачи задания - 12.04.2017. Решение практического задания №3 (ссылка).
- Обучение нейронных сетей (описание .rar). Срок сдачи задания - 19.04.2017. Решение практического задания №4 (ссылка).
- Регуляризованная линейная регрессия. Недообучение и переобучение (описание .rar). Срок сдачи задания - 26.04.2017. Решение практического задания №5 (ссылка).
- Кластеризация с использованием алгоритма K-средних (описание .rar). Срок сдачи задания - 03.05.2017. Решение практического задания №6 (ссылка).
- Анализ главных компонент (описание .rar). Срок сдачи задания - 10.05.2017. Решение практического задания №7 (ссылка).
- Итоговые проекты для защиты (презентация .pptx). Срок сдачи задания - 17.05.2017.
Дополнительные материалы
- Ng A. Machine Learning (CS 229), 2009. Stanford University (ссылка 1, ссылка 2).
- Ng A. Unsupervised Feature Learning and Deep Learning. Stanford University (ссылка 1, ссылка 2).
- Ng A. Machine Learning (Open Classroom). Stanford University (ссылка).
- Сайт посвященный новой области машинного обучения - глубокому обучению (Deep Learning). Глубокое обучение введено с целью смещения машинного обучения к одной из его первоначальных целей - искусственному интеллекту (Artificial Intelligence) (ссылка 1, ссылка 2).
- Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016 (ссылка).
- Li F.-F. et al. CS231n: Convolutional Neural Networks for Visual Recognition, 2017. Stanford University (ссылка).
- TensorFlow and Deep Learning, without PhD. Google Codelabs (ссылка).
- Воронцов К.В. Машинное обучение, 2012/2013. ШАД Яндекс (ссылка).
- Профессиональный информационно-аналитический ресурс, который затрагивает машинное обучение, а также распознавание образов и интеллектуальный анализ данных (ссылка).
- Анохин Н., Гулин В., Нестеров П. Data Mining. Проект Техносфера (ссылка).
- Szelicki R. Computer Vision: Algorithms and Applications. Springer, 2010 (ссылка).
- Конушин A. Семантическая классификация изображений (видеолекции), 2010. Сomputer Science клуб при ПОМИ РАН (ссылка).
- Ерухимов В. Компьютерное зрение и библиотека OpenCV (видеолекции), 2011. Сomputer Science клуб при ПОМИ РАН (ссылка).
- Конушин А. Курсы "Введение в компьютерное зрение" и "Доп. главы компьютерного зрения" (видеолекции), 2011. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
- Efros A. Learning-Based Methods in Vision (16-721), 2009. Carnegie Mellon University (ссылка).
- Kemelmacher I., Rao R., Seitz S., Shapiro L. Computer Vision (CSE 455), 2003 - 2017. University of Washington (ссылка).
- Lazebnik S. Computer Vision (COMP 776), 2016. The University of North Carolina at Chapel Hill (ссылка).
- Thrun S. Computer Vision / Introduction to Computer Vision (CS 223b), 2004 - 2009. Stanford University (ссылка).
Online курсы
Информация по наиболее интересным online курсам приведена в первой презентации. Напоминаю, что с 2011 года ряд западных университетов начал практику создания online-курсов (www.coursera.org, www.udacity.org) по различным дисциплинам. Например, "Искусственный интеллект", "Машинное обучение", "Компьютерное зрение" и т.д. Для ознакомления с материалами курсов (видеолекциями, практическими заданиями и т.д.) нужна регистрация!
Руководитель курса: доцент кафедры инфокоммуникаций и радиофизики Волохов В.А.