-
Введение в искусственный интеллект 4
Цель курса – дать слушателям широкий обзор задач и методов искусственного интеллекта.
-
Логические методы выводаЛекция1.1
-
Поиск решений, планирование, составление расписанийЛекция1.2
-
Машинное обучениеЛекция1.3
-
Человеко-машинное взаимодействиеЛекция1.4
-
-
Программирование на языке Python 8
Целью изучения дисциплины является освоение средств и методов разработки программного обеспечения с использованием языка Python и его библиотек.
-
Структура приложенияЛекция2.1
-
Обзор наиболее важных модулей и пакетов стандартных библиотек PythonЛекция2.2
-
Объекты и классы в PythonЛекция2.3
-
Элементы функционального программирования в PythonЛекция2.4
-
Генераторы. ИтераторыЛекция2.5
-
Многопоточное программированиеЛекция2.6
-
Сетевое программированиеЛекция2.7
-
Работа с базой данныхЛекция2.8
-
-
Дискретная математика 11
Материал курса делится на пять разделов: Математический инструментарий; Последовательности; Графы; Булевы функции; Теория кодирования.
-
Тема 1.1. Язык математической логикиЛекция3.1
-
Тема 1.2. МножестваЛекция3.2
-
Тема 1.3. Бинарные отношенияЛекция3.3
-
Тема 1.4. Метод математической индукцииЛекция3.4
-
Тема 1.5. КомбинаторикаЛекция3.5
-
Тема 2.1. Рекуррентные соотношенияЛекция3.6
-
Тема 3.1. Виды графовЛекция3.7
-
Тема 3.2. Взвешенные графыЛекция3.8
-
Тема 4.1. Представление булевых функцийЛекция3.9
-
Тема 4.2. Классы булевых функцийЛекция3.10
-
Тема 5.1. Теория кодированияЛекция3.11
-
-
Теория вероятностей и математическая статистика 5
-
Тема 1.1. Понятие вероятностиЛекция4.1
-
Тема 1.2. Элементарные теоремыЛекция4.2
-
Тема 1.3. Случайные величиныЛекция4.3
-
Тема 2.1. Обработка статистических данныхЛекция4.4
-
Тема 2.2. Задачи математической статистикиЛекция4.5
-
-
Методы машинного обучения 17
В курсе рассматриваются основные задачи обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности. Изучаются методы их решения, как классические, так и новые, созданные за последние 10–15 лет. Упор делается на глубокое понимание математических основ, взаимосвязей, достоинств и ограничений рассматриваемых методов. Теоремы в основном приводятся без доказательств.
-
Математические основы машинного обученияЛекция6.1
-
Основные понятия и примеры прикладных задачЛекция6.2
-
Линейный классификатор и стохастический градиентЛекция6.3
-
Нейронные сети: градиентные методы оптимизацииЛекция6.4
-
Метрические методы классификации и регрессииЛекция6.5
-
Метод опорных векторовЛекция6.6
-
Многомерная линейная регрессияЛекция6.7
-
Нелинейная регрессияЛекция6.8
-
Критерии выбора моделей и методы отбора признаковЛекция6.9
-
Логические методы классификацииЛекция6.10
-
Кластеризация и частичное обучениеЛекция6.11
-
Прикладные модели машинного обученияЛекция6.12
-
Нейронные сети с обучением без учителяЛекция6.13
-
Векторные представления текстов и графовЛекция6.14
-
Обучение ранжированиюЛекция6.15
-
Рекомендательные системыЛекция6.16
-
Адаптивные методы прогнозированияЛекция6.17
-
