https://www.wikicshse.ru/index.php?action=history&feed=atom&title=%D0%9F%D1%80%D0%B8%D0%BD%D1%86%D0%B8%D0%BF%D1%8B_%D0%BF%D0%BE%D1%81%D1%82%D1%80%D0%BE%D0%B5%D0%BD%D0%B8%D1%8F_%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D1%85_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B5%D0%B9 2026-06-06T13:55:50Z История изменений этой страницы в вики MediaWiki 1.45.3 https://www.wikicshse.ru/index.php?title=%D0%9F%D1%80%D0%B8%D0%BD%D1%86%D0%B8%D0%BF%D1%8B_%D0%BF%D0%BE%D1%81%D1%82%D1%80%D0%BE%D0%B5%D0%BD%D0%B8%D1%8F_%D0%BC%D0%B0%D1%82%D0%B5%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D1%85_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B5%D0%B9&diff=1890&oldid=prev 2020-04-02T14:57:27Z

<p>Новая страница: «== О курсе == Курс читается для студентов 1-го курса магистратуры МИЭМ в 4-ом модуле. Провод…»</p> <p><b>Новая страница</b></p><div>== О курсе ==<br /> <br /> Курс читается для студентов 1-го курса магистратуры МИЭМ в 4-ом модуле.<br /> Проводится с 2020 года.<br /> <br /> &#039;&#039;&#039;Лектор:&#039;&#039;&#039; [https://www.hse.ru/org/persons/174480967 Ратников Федор Дмитриевич]<br /> <br /> &#039;&#039;&#039;Семинары:&#039;&#039;&#039; [https://www.hse.ru/org/persons/224876085 Корнилов Матвей Викторович]<br /> <br /> === Нужные ссылки на ресурсы ===<br /> <br /> &#039;&#039;&#039;Организация курса на GitHub:&#039;&#039;&#039; [https://github.com/hse-ppmm]<br /> <br /> &#039;&#039;&#039;Команда курса в Microsoft Teams:&#039;&#039;&#039; [https://teams.microsoft.com/l/channel/19%3a6bef1f11ef57427684a7d309980c31a8%40thread.tacv2/General?groupId=38adaef3-11ac-417e-9956-abac2d84c506&amp;tenantId=21f26c24-0793-4b07-a73d-563cd2ec235f]<br /> <br /> == Краткое содержание курса ==<br /> * Машинное обучение, статистика, линейные методы регрессии История анализа данных. Постановки задач в машинном обучении: классификация, регрессия, ранжирование, кластеризация, латентные модели. Примеры задач. Виды данных. Признаки. Метод максимального правдоподобия и его свойства. Статистические гипотезы и статистические критерии. Лемма Неймана-Пирсона. Критерий отношения правдоподобия. Аналитическое и численное решение задачи МНК. Градиентный спуск, методы оценивания градиента. Функции потерь. Регуляризация. Методы оценивания обобщающей способности, кросс-валидация. Метрики каче- ства регрессии.<br /> <br /> * Линейные методы классификации, Особенности работы с реальными данными, Работа с признаками Аппроксимация эмпирического риска. Персептрон. Метод опорных векторов. Задача оценивания вероятностей, логистическая регрессия. Обобщённые линейные модели. Метрики качества в задачах классификации. Пропуски в данных. Предобработка признаков. Чистка данных. Категориальные признаки. Разреженные признаки. Методы отбора признаков. Метод главных компонент.<br /> <br /> * Решающие деревья, Композиции алгоритмов Общий алгоритм построения, критерии информативности. Конкретные критерии для классификации и регрессии. Тонкости решающих деревьев: обработка пропущенных значений, стрижка, регуляризация. Общая идея bias-variance decomposition. Бэггинг, бустинг. Градиентный бустинг над решающими деревьями. Нейронные сети, Обучение без учителя, Restricted Bolzmann Machine.<br /> <br /> * Структура нейронной сети. Обратное распространение ошибки. Полносвязные нейронные сети. Методы регуляризации. Примеры архитектур как наборов кубиков. Задача кластеризации. K-Means, spectral clustering. Автокодировщики. Постановка задачи статистического вывода. Подходы к решению. Применение для расчёта модели Изинга.<br /> <br /> * Анализ явлений и обоснование выбора модели. Общие принципы построения математических моделей. Явления распространения инфекций, добычи нефти и газа и т.п. и их описание с помощью модели протекания. Протекание на решетке. Методы анализа - Монте-Карло, кластерный метод Хошена- Копельмана. Ферромагнетизм и спиновые модели. Модель Изинга. Методы исследования - ана¬литические, численные и моделирование. Специализированные вычислительные системы.<br /> <br /> == Литература ==<br /> TBD</div>

imported>Matwey