Описание:Описаны основные виды математических моделей, используемых для поиска закономерностей в данных: регрессионный анализ, классификация, кластер анализ, построение простых и обобщенных деревьев решений, сокращение размерности – метод главных компонент, поиск подмножеств признаков. Показывается тесная взаимосвязь методов при обработки реальных данных, описаны эволюционные методы отбора оптимальных подмножеств признаков – генетические алгоритмы и Метод Группового Учета Аргументов (МГУА).
Методы машинного обучения используются в различных прикладных задачах машинного обучения и являются подмножеством методов искусственного (машинного) интеллекта, включая предобработку и анализ изображений, обработка биомедицинских объектов, прогнозирования свойств лекарственных соединений, а также анализ текстов естественного языка.
Кратко обсуждаются идеи «беспризнакового» анализа обучающих наборов данных (Dataset) и методы машины поддерживающих векторов (SVM – Support Vector Machine), а также методы Bootstrap- построения оценок при недостаточном числе исходных данных. Рассматриваются основные понятия «нечеткого» (Fuzzy) анализа данных и их применение для построения новых признаков введения «нелинейности» в модели. Предлагаемые алгоритмы могут быть использованы для восстановления (предсказания) пропущенных значений в обучающих наборах данных.
Описана модель персептрона и ее ограничения, а также архитектура классической нейронной сети, нейро сети с обратным распространением ошибки и сети глубокое обучения. Рассмотрены подходы к решению проблемы переобучения.
Дан обзор задач, успешно решаемых нейронными сетями. Дана характеристика вычислительным платформам реализации нейросетей – TensorFlow, Keras и PyTorch.