https://www.wikicshse.ru/index.php?action=history&feed=atom&title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%D0%BD%D0%B0_%D0%BC%D0%B0%D1%82%D1%84%D0%B0%D0%BA%D0%B5_2018%2F2019%2F%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B0_%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0Машинное обучение на матфаке 2018/2019/Программа экзамена - История изменений2026-06-06T17:13:19ZИстория изменений этой страницы в викиMediaWiki 1.45.3https://www.wikicshse.ru/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%D0%BD%D0%B0_%D0%BC%D0%B0%D1%82%D1%84%D0%B0%D0%BA%D0%B5_2018/2019/%D0%9F%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%B0_%D1%8D%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD%D0%B0&diff=1445&oldid=previmported>Ilya Schurov: Migrated current public revision from wiki.cs.hse.ru2018-12-22T07:00:44Z<p>Migrated current public revision from wiki.cs.hse.ru</p>
<p><b>Новая страница</b></p><div>Программа экзамена включает в себя все темы из [[Машинное обучение на матфаке 2018/2019/Программа контрольной|программы контрольной]], а также следующие темы:<br />
<br />
* Различные функции потерь для регрессий: MAE, Huber loss.<br />
* L1-регуляризация как метод отбора признаков.<br />
* Логистическая регрессия, её функция правдоподобия. Логарифмическая функция потерь. Отступ. Выражение функции потерь через отступ.<br />
* Многоклассовая классификация: комбинирование двухклассовых классификаторов (one vs rest, one vs one).<br />
* Многоклассовая (мультиномиальная) логистическая регрессия.<br />
* Обработка текстов методами машинного обучения. TF-IDF.<br />
* Support vector machines как задача уменьшения эмпирического риска для hinge loss.<br />
* Решающие деревья. Алгоритм построения решающего дерева. Impurity functions: gini, энтропия, RSS. Критерии останова: глубина, количество объектов в терминальной вершине.<br />
* Бустреп. Бэггинг. Random forest.<br />
* Градиентный бустинг над деревьями.<br />
* Нейронные сети как способ обучения признаков. Многослойный перспектрон. Теорема об универсальной аппроксимации для персептрона с двумя скрытыми слоями и ReLU-активацией (набросок доказательства). Backpropagation. Стохастический градиентный спуск<br />
* Свёртка. Свёрточные нейронные сети.<br />
* Рекуррентные нейронные сети.<br />
* Метод главных компонент (PCA).<br />
* Кластеризация: алгоритм K-means.<br />
* Разделение гауссовых смесей, EM-алгоритм.</div>imported>Ilya Schurov