Прикладная информатика: машинное обучение. Введение и обзор материала курса. Линейная регрессия с одной переменной
Содержание
- 2. Машинное обучение 2 Робот Snail (ver. 2.0.0), построенный на базе платы Arduino Uno Прикладная информатика: машинное
- 3. 3 Можно задавать любые вопросы! Мои знания в этой области ограничены … Курсы по машинному обучению
- 4. План на сегодня Обзор программы курса Требования Введение в методы машинного обучения Немного о жизни! Что
- 5. 5 Цель курса Рассмотрение ряда задач и вопросов из области машинного обучения для: Создания базиса с
- 6. 6 Структура курса Лекции Тематика курса охватывает: обучение с учителем, обучение без учителя, регрессия, классификация, кластеризация,
- 7. 7 При решении практических заданий понадобятся Python 3 – высокоуровневый язык программирования общего назначения, ориентированный на
- 8. 8 Какую литературу можно найти? Marsland S. Machine Learning: An Algorithmic Perspective, 2009 Мерков А.Б. Распознавание
- 9. 9 Какую литературу можно найти? Много информации по теме курса можно найти в сети Интернет Профессиональный
- 10. Немного рекламы! Online курс Стэнфордского университета «Машинное обучение» https://www.coursera.org/learn/machine-learning Прикладная информатика: машинное обучение ЯрГУ им. П.
- 11. Немного рекламы! Online курс Торонтского университета «Нейронные сети в машинном обучении» https://www.coursera.org/learn/neural-networks Прикладная информатика: машинное обучение
- 12. Немного рекламы! Online курс Высшей школы экономики «Введение в машинное обучение» https://www.coursera.org/learn/vvedenie-mashinnoe- obuchenie Прикладная информатика: машинное
- 13. Немного рекламы! Другие курсы по машинному обучению на www.coursera.org Ищем по ключевому слову machine learning. Курсов
- 14. Немного рекламы! Online курс «Введение в машинное обучение» https://www.udacity.com/course/intro-to-machine- learning--ud120 Online курс Технологического института Джорджии «Машинное
- 15. Немного о жизни! Распознавание лиц: Apple iPhoto software http://www.apple.com/ilife/iphoto/ 15 Прикладная информатика: машинное обучение ЯрГУ им.
- 16. Немного о жизни! Спаму – нет! SPAM 16 Прикладная информатика: машинное обучение ЯрГУ им. П. Г.
- 17. Машинное обучение Выросло из работ по искусственному интеллекту и является одной из перспективных веток его развития
- 18. Автономный вертолет Создан сотрудниками лаборатории «Искусственного интеллекта» Стэнфордского университета http://heli.stanford.edu/ 18 Прикладная информатика: машинное обучение ЯрГУ
- 19. Автономное вождение. Проект ALVINN Снимки сделаны 23 ноября 1992 года! Autonomous Land Vehicle In a Neural
- 20. Stanley, Junior и Google-мобиль Stanley Junior Google-мобиль ALVINN Прикладная информатика: машинное обучение ЯрГУ им. П. Г.
- 21. Суперкомпьютер IBM Watson В 2011 г. компьютер одержал победу над двумя людьми в телепередаче Jeopardy («Своя
- 22. Компьютерное зрение Распознавание лиц, подписи, отпечатков пальцев, радужной оболочки глаза Иванов Иван Иванович 22 Прикладная информатика:
- 23. Компьютерное зрение Зрение для роботов AiBo (японская собака-робот, изобретение компании Sony) Teddy (японский медведь-робот, изобретение компании
- 24. Компьютерное зрение Ли Ф.-Ф. Как мы учим компьютер понимать изображения? 24 https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures?language=en#t-5181 Прикладная информатика: машинное обучение
- 25. Компьютерное зрение Ли Ф.-Ф. Как мы учим компьютер понимать изображения? 25 https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures?language=en#t-5181 Прикладная информатика: машинное обучение
- 26. Что такое машинное обучение? А. Самуэль (Arthur Samuel), 1959 г.: Машинное обучение – это область исследования,
- 27. Что такое машинное обучение? А. Самуэль (Arthur Samuel), 1959 г.: Машинное обучение – это область исследования,
- 28. Что такое машинное обучение? Обучение = приспособление Обучаясь, мы становимся более приспособленными к окружающей среде Обучение
- 29. Алгоритмы машинного обучения Обучение с учителем (Supervised Learning). Алгоритм машинного обучения обобщает на основе размеченного множества
- 30. Обучение с учителем Регрессия (предсказание непрерывной выходной величины, например, цены на недвижимость) Цена в 1000-х долларов
- 31. Обучение с учителем Регрессия (предсказание непрерывной выходной величины, например, цены на недвижимость) Цена в 1000-х долларов
- 32. Обучение с учителем Регрессия (предсказание непрерывной выходной величины, например, цены на недвижимость) Площадь в квадратных футах
- 33. Обучение с учителем Классификация (предсказание дискретной выходной величины, например, 0 или 1) Размер опухоли Злокачественная опухоль?
- 34. Обучение с учителем Классификация (предсказание дискретной выходной величины, например, 0 или 1) Размер опухоли Злокачественная опухоль?
- 35. Обучение с учителем Классификация (предсказание дискретной выходной величины, например, 0 или 1) Размер опухоли Злокачественная опухоль?
- 36. Обучение без учителя Длительность выброса, минуты Время между выбросами, минуты 40 50 60 70 80 90
- 37. Обучение без учителя Длительность выброса, минуты Время между выбросами, минуты 40 50 60 70 80 90
- 38. Кластеризация в Google News 38 Прикладная информатика: машинное обучение ЯрГУ им. П. Г. Демидова 2017, Владимир
- 39. Кластеризация в Google News 39 Прикладная информатика: машинное обучение ЯрГУ им. П. Г. Демидова 2017, Владимир
- 40. Кластеризация в Google News 40 Прикладная информатика: машинное обучение ЯрГУ им. П. Г. Демидова 2017, Владимир
- 41. Кластеризация в Google News 41 Прикладная информатика: машинное обучение ЯрГУ им. П. Г. Демидова 2017, Владимир
- 42. Еще несколько примеров кластеризации! Организация компьютерных кластеров Анализ социальных сетей Анализ астрономических данных Сегментация рынка 42
- 43. Алгоритмы машинного обучения Обучение по алгоритму типа «кнут и пряник» или стимулированное обучение (Reinforcement Learning). Алгоритм
- 44. Линейная регрессия с одной переменной Регрессия (предсказание непрерывной выходной величины, например, цены на недвижимость) Площадь в
- 45. Линейная регрессия с одной переменной Тренировочное множество данных (скажем, всего m) 45 Обозначения: m = число
- 46. Линейная регрессия с одной переменной 46 Тренировочное множество Алгоритм обучения h Площадь Оценка цены Последовательность действий
- 47. Линейная регрессия с одной переменной 47 Последовательность действий Цена в 1000-х долларов 100 200 300 400
- 48. Стоимостная функция (Cost Function) 48 Идея! Выбрать Q0 и Q1 так, чтобы hQ(x) являлась близкой к
- 49. Как минимизировать стоимостную функцию для линейной регрессии с одной переменной? 49 Использование нормальных уравнений (normal equation)
- 50. Метод градиентного спуска 50 Постановка задачи Имеется некоторая стоимостная функция J(Q0, Q1) Необходимо найти такие значения
- 51. Пример работы градиентного спуска 51 Q1 Q0 J(Q0, Q1) Прикладная информатика: машинное обучение ЯрГУ им. П.
- 52. Пример работы градиентного спуска 52 Q1 Q0 J(Q0, Q1) Прикладная информатика: машинное обучение ЯрГУ им. П.
- 53. Метод градиентного спуска. Реализация 53 repeat until convergence { } (j = 0 и j =
- 54. Метод градиентного спуска. Реализация 54 Скорость сходимости алгоритма регулируется параметром α Если α маленькое, то градиентный
- 55. Градиентный спуск для линейной регрессии 55 repeat until convergence { } (j = 0 и j
- 56. Пример формы стоимостной функции 56 Q1 Q0 J(Q0, Q1) Прикладная информатика: машинное обучение ЯрГУ им. П.
- 57. Пример формы стоимостной функции 57 Q1 Q0 J(Q0, Q1) Прикладная информатика: машинное обучение ЯрГУ им. П.
- 58. Пример формы стоимостной функции для линейной регрессии 58 Функция J(Q0, Q1 ) является выпуклой Прикладная информатика:
- 59. Пример работы градиентного спуска для линейной регрессии 59 J(Q0, Q1) – это функция параметров Q0 и
- 60. Пример работы градиентного спуска для линейной регрессии 60 J(Q0, Q1) – это функция параметров Q0 и
- 61. Пример работы градиентного спуска для линейной регрессии 61 J(Q0, Q1) – это функция параметров Q0 и
- 62. Пример работы градиентного спуска для линейной регрессии 62 J(Q0, Q1) – это функция параметров Q0 и
- 63. Пример работы градиентного спуска для линейной регрессии 63 J(Q0, Q1) – это функция параметров Q0 и
- 64. Пример работы градиентного спуска для линейной регрессии 64 J(Q0, Q1) – это функция параметров Q0 и
- 65. Пример работы градиентного спуска для линейной регрессии 65 J(Q0, Q1) – это функция параметров Q0 и
- 66. Пример работы градиентного спуска для линейной регрессии 66 J(Q0, Q1) – это функция параметров Q0 и
- 67. Пример работы градиентного спуска для линейной регрессии 67 J(Q0, Q1) – это функция параметров Q0 и
- 68. Данные, данные, данные … К.В. Воронцов (ШАД Яндекс): «Кто обучает машину? Может быть мы? Может быть
- 69. Kaggle помогает вам учиться, работать и играть Соревнования, базы данных и программные коды на www.kaggle.com 69
- 70. Конкурс PASCAL VOC Pattern Analysis, Statistical Modeling and Computational Learning Visual Object Classes Challenge Конкурс больше
- 71. База данных ImageNet Большая база данных цифровых изображений 71 Прикладная информатика: машинное обучение ЯрГУ им. П.
- 73. Скачать презентацию