Логин: Delete icon
Пароль:Регистрация
Логотип Физического факультета МГУ
Логотип Института ядерных исследований РАН
Кафедра физики частиц и космологии
Физического факультета МГУ
IconIconIconIconIcon
  •Главная   •ИЯИ   •Наука   •Учеба   •Курсовые и дипломы   •Люди   •Связь   •Постер

Методы машинного обучения для обработки данных

Лекции:Олег Калашев
Максим Пширков
Григорий Рубцов
Семинары:Яна Жежер
Михаил Кузнецов

Аннотация

Курс посвящен современным методам машинного обучения и алгоритмам анализа данных в парадигме Big Data. На примере актуальных задач физики частиц и астрофизики будут рассмотрены все этапы обработки данных от постановки вопроса до конструирования вычислительного алгоритма. Будут детально рассмотрены принципы построения и механизмы работы усиленных деревьев решений и нейронных сетей. Курс сопровождается семинарами, проходящими в формате мастер-класса по анализу данных.

План курса

  1. Введение
    • понятие Big Data; почему машине требуется обучение?
    • задачи обработки данных, регрессия и классификация;
    • обучение с учителем и без учителя;
    • инструментарий: готовые решения, конструкторы, ручная работа;
    • примеры задач: классификация источников гамма-излучения, определение красного смещения по фотометрии, классификация гамма-всплесков, определение химического состава космических лучей ультравысоких энергий, предсказание погоды по данным за неделю, определения автора научного текста;
    • линейная регрессия как пример метода: построение гипотезы, функция стоимости;
    • кривая обучения, проблема переобучения.
  2. Деревья решений [Задачи-1: tex, pdf], [Виртуальная машина для выполнения заданий: Яндекс.диск, FTP], [Код на Python для построения простого дерева решений: simple_dt_classif.py], [Репозитарий на GitHub]
    • принцип работы дерева решений для регрессии и классификации; реализация простого варианта алгоритма;
    • усиление алгоритма машинного обучения (бустинг); алгоритм AdaBoost;
    • метод случайного леса (Random Forest);
    • некоторые свойства многомерного гауссовского распределения;
    • подготовка входных данных для машинного обучения: нормирование, декорреляция, другие преобразования.
  3. Нейронные сети [Пример на Python для построения простой нейронной сети: network.py], [Нейронная сеть с регуляризацией с выбором функции потерь: network2.py],[Реализация нейроннай сети на пакете Theano: network3.py], [Минимальный пример для работы с каталогом 3FGL: 3fgl_nnet_minimal.py]
    • принципы построения нейронных сетей;
    • краткий обзор алгоритмов многомерной оптимизации;
    • регуляризация нейронной сети, алгоритм обратного распространения ошибки обучения;
    • построение простой нейронной сети
    • многослойные нейронные сети, алгоритм MLP;
    • особенности практического использования нейронных сетей.
  4. Некоторые приложения
    • обучение без учителя: алгоритмы кластеризации, метод k-средних;
    • сверточные нейронные сети и анализ изображений [презентация];
    • поиск негауссовости температуры реликтового излучения с помощью нейронных сетей.
  • Задачи к экзамену: tex, pdf

Литература

  1. W.H. Press, S.A. Teukolsky, W.T. Vettering, B.P. Flannery, «Numerical recipes. The art of scientific computing» Cambridge university press, 2007.
  2. I. Goodfellow, Y. Bengio and A. Courville, Deep Learning textbook, MIT Press, 2016.
  3. LazyProgrammer, Deep Learning in Python: Master Data Science and Machine Learning with Modern Neural Networks written in Python, Theano, and TensorFlow (Machine Learning in Python), Amazon publishing, 2016.
  4. LazyProgrammer, Convolutional Neural Networks in Python: Master Data Science and Machine Learning with Modern Deep Learning in Python, Theano, and TensorFlow (Machine Learning in Python), Amazon publishing, 2016.
  5. Michael A. Nielsen, "Neural Networks and Deep Learning", Determination Press, 2015
  6. Deep Learning Tutorials
  7. David Salvetti, Classifying Unidentified Gamma-ray Sources, Ph.D. thesis submitted to the University of Pavia, Italy, arXiv:1603.00231