Машинное обучение

Общие понятия

• Общие понятия
• Модель алгоритма и ее выбор
• Переобучение
• Кросс-валидация
• Выброс
• Стохастический градиентный спуск

Классификация и регрессия

• Метрический классификатор и метод ближайших соседей
• Нейронные сети, перцептрон
• Дерево решений и случайный лес
• Логистическая регрессия
• Вариации регрессии
• Поиск ближайших соседей с помощью иерархического маленького мира[math]^\star[/math]

Кластеризация

• Кластеризация
• Иерархическая кластеризация
• Оценка качества в задаче кластеризации[math]^\star[/math]

Ансамбли

• Виды ансамблей
• Бустинг, AdaBoost
• CatBoost

Глубокое обучение

• Глубокое обучение
• Настройка глубокой сети
• Batch-normalization
• Практики реализации нейронных сетей
• Рекуррентные нейронные сети
• Сегментация изображений

Сверточные сети

• Сверточные нейронные сети

Порождающие модели

• Generative Adversarial Nets (GAN)[math]^\star[/math]
• Вариационный автокодировщик

Обработка естественного языка

• Распознавание речи
• Обработка естественного языка

Уменьшение размерности

• Уменьшение размерности

Обучение с подкреплением

• Обучение с подкреплением
• Методы policy gradient и алгоритм асинхронного актора-критика

Примеры кода

• Обзор библиотек для машинного обучения на Python
• Примеры кода на Scala

В разработке

• Мета-обучение
• Оценка качества в задачах классификации и регрессии
• Линейная регрессия
• Задача нахождения объектов на изображении[math]^\star[/math]
• Neural Style Transfer[math]^\star[/math]
• Долгая краткосрочная память
• Метод опорных векторов (SVM)
• Байесовская классификация
• EM-алгоритм
• Ранжирование
• Рекомендательные системы
• Настройка гиперпараметров
• Активное обучение
• Примеры кода на R
• Примеры кода на Java
• Регуляризация
• Обратное распространение ошибки
• Порождающие модели
• Векторное представление слов
• Ядра
• XGBoost
• Известные наборы данных