Teaching (in Russian)

Машинное обучение

Лекции по курсу, СПбПУ, 2015

  1. Общее введение.
  2. Введение.
  3. Наивный байесовский классификатор и метод ближайших соседей.
  4. Метод опорных векторов.
  5. Деревья решений.
  6. Нейронные сети.
  7. Методы обучения без учителя.
  8. Композиционные методы машинного обучения.
  9. Регрессионные модели.
  10. Автокодеры.
  11. Передача обучения и адаптация данных (Transfer Learning).
  12. Визуализация данных с использованием tSNE.
  13. Обучение с подкреплением.
  14. Порождающие модели: вариационный автокодер.
  15. Порождающие модели: GAN.
  16. Порождающие модели: Диффузионные модели.
  17. Глубокое обучение: Cверточные сети.
  18. Глубокое обучение: Архитектуры сверточных сетей.
  19. Сеть Хопфилда, ограниченная машина Больцмана, рекуррентная нейронная сеть.
  20. Сегментация изображений.
  21. Детекция изображений.
  22. Обучение на одном примере (One-shot learning).
  23. Функции потерь и показатели качества моделей.
  24. Неопределенность и калибровка.
  25. Объяснительный интеллект (Explainable AI).
  26. 7 приемов для более эффективного обучения нейронных сетей.
  27. Деформирующий автокодер и распутывание (Disentangling).
  28. Distillation and Batch Normalization.
  29. Модели внимания и трансформеры.
  30. Графовые нейронные сети.