Теория и практика машинного обучения — Учебное пособие рассматривает вопросы, связанные с анализом данных: модели, алгоритмы, методы и их реализацию на языке Python. Особое внимание уделено анализу временных рядов. С теоретической стороны машинное обучение – дисциплина, находящаяся на пересечении математической статистики, численных методов оптимизации, теории вероятностей, а также дискретного анализа. С помощью ее методов происходит решение задачи извлечения знаний из данных, которой занимается еще только формирующаяся область «Интеллектуальный анализ данных» (DataMining). С практической же стороны машинное обучение нацелено на создание систем, способных адаптироваться к решению различных задач без явного кодирования алгоритма, то есть систем, способных обучаться. В последних разделах книги обучающемуся предлагаются контрольные вопросы по пройденным темам, а также задачи для выполнения, с помощью которых он сможет проверить себя и закрепить полученные навыки. Книга предназначена для студентов группы направлений 09, а также для студентов других групп направлений, изучающих дисциплины, связанные с разработкой приложений в области анализа данных, в том числе TimeSeriesDataMinig и DataMining.
Название: Теория и практика машинного обучения Автор: Воронина В. В., Михеев А. В., Ярушкина Н. Г. Издательство: УлГТУ Год: 2017 Страниц: 290 Формат: PDF, DJVU Размер: 10,95 МБ ISBN: 978-5-9795-1712-4 Качество: отличное
Содержание:
Введение Задачи машинного обучения Пространство признаков Формальное определение понятия «обучение» Общий алгоритм машинного обучения Типы задач машинного обучения Способы обучения и оценки его качества Типовые задачи при подготовке данных и обучении моделей Учет пропусков Кодирование нечисловых признаков Приведение данных к единому масштабу и стандартизация Разметка данных Переобучение Модели и алгоритмы машинного обучения Методы теории вероятностей Деревья решений Статистические модели и методы Модели и методы нечеткой логики Нечеткие множества Лингвистические переменные Операции нечеткой логики Нечеткие системы Нечеткая логика в анализе временных рядов Метод моделирования нечетких временных рядов Пример моделирования временного ряда в нечетком подходе Извлечение знаний из временных рядов Нечеткое сглаживание временного ряда Нечеткая регрессия ACL-шкала и нечеткая кластеризация объектов Искусственные нейронные сети Особенности нейронных сетей Определение модели искусственной нейронной сети Первая формальная модель и первая реализация нейронной сети Многослойный персептрон (MLP) Сверточные (ConvolutionalNeuralNet) и Глубокие (DeepNet) Сети Карты (ART, SFAM) Рекуррентные сети (Recurrent Neural Network) Самоорганизующиеся карты (Self-organization map, SOM) Автокодировщики (AutoEncoder) Импульсные (Спайковые) сети Причины бурного развития ИНС сегодня Борьба с переобучением в ИНС Обратное распространение ошибки Нечеткие нейронные сети Генетические алгоритмы Нечеткие системы с генетической настройкой Нечеткие нейронные сети с генетическим проектированием Генетическая оптимизация F-преобразования временных рядов Разработка приложений в сфере машинного обучения Основы работы с Python Элементарные операции с данными Работа с DataFrame Предобработка данных. Стандартизация и нормализация Работа с деревьями решений Сохранение и загрузка обученной модели Работа с логистической регрессией Решение задачи ранжирования признаков Работа с полиномиальной регрессией Работа с простейшими моделями нейронных сетей Реализация алгоритма обучения нейронной сети Регуляризация и сеть прямого распространения Работа с библиотеками Keras и Theano. Настройка под Windows Получение данных средствами Keras Создание и обучение модели сверточной сети Загрузка и сохранение сложных моделей Рекуррентные сети для прогнозирования временных рядов Контрольные вопросы и тестовые задания Тест «Общие сведения о машинном обучении» Проблема переобучения Регрессия Модели и методы нечеткой логики Нечеткие временные ряды Нечеткая регрессия Генетические алгоритмы Нечеткая кластеризация Искусственные нейронные сети и глубинное обучение Тест «Искусственные нейронные сети» Практические задания Работа с файлом данных Титаника Работа по отбору признаков Многослойный персептрон Реализация алгоритма обратного распространения ошибки Регуляризация и сеть прямого распространения Сравнение эффективности моделей из библиотеки Keras Работа с библиотекой OpenCV Нечеткая логика Генетические алгоритмы Нечеткая кластеризация объектов Анализ временных рядов Работа с рекуррентными сетями Заключение ссарий Предметный указатель Библиографический список