Книга представляет собой введение в основные понятия, методы и ал

Машинное обучение часть 1

А.М.Миронов

Московский Государственный Университет Механико-математический факультет

Кафедра математической теории интеллектуальных систем

Введение

Книга представляет собой введение в основные понятия, методы и ал- горитмы машинного обучения, которое находится в настоящее время в состоянии исключительно бурного развития и является теоретической основой для проектирования интеллектуальных систем обработки боль- ших данных.
В первой части книги излагаются элементарные аспекты машинного обучения:

• 
  виды задач и моделей машинного обучения,
  

∙
простейшие алгоритмы обучения для линейно разделимых обуча- ющих выборок,

• 
  методы градиентного спуска и его разновидности,
  
• 
  метод обучения нейронных сетей,
  
• 
  метод опорных векторов,
  
• 
  ядерные методы машинного обучения,
  
• 
  регрессионный анализ,
  
• 
  метрические и вероятностные модели машинного обучения.
  

Во второй части будут рассмотрены более глубокие вопросы машин- ного обучения, в частности, методы прогнозирования индивидуальных последовательностей, сравнительная теория машинного обучения, бу- стинг, алгоритмы экспоненциального смешивания, агрегирующие алго- ритмы, методы теории игр в машинном обучении. В третьей части бу- дут изложены модели и методы автоматного и процессного обучения (automata learning и process mining).
Просьба сообщать автору о всех замеченных недостатках и рекомен- дациях по улучшению данного текста по адресу [e-mail]

Оглавление

1. 
   Задачи и модели машинного обучения 4
   
   1. 
      Задачи машинного обучения 4
      
      1. 
         Предмет машинного обучения 4
         
      2. 
         Обучение функциональным зависимостям 4
         
      3. 
         Способ описания объектов 5
         
      4. 
         Пример задачи машинного обучения 6
         
      5. 
         Виды задач машинного обучения 7
         

Задачи классификации 7
Задачи регрессии 8
Задачи ранжирования 8

2. 
   Модели машинного обучения 8
   
   1. 
      Понятие модели обучения 8
      
   2. 
      Примеры предсказательных моделей 9
      

Линейная предсказательная модель 9
Предсказательная модель в виде нейронной сети 9

3. 
   Алгоритмы обучения 12
   
1. 
   Проблема переобучения 14
   
2. 
   Основные этапы решения задач машинного обучения 15
   
1.