Детальная информация

Название	Машинное обучение в вероятностной постановке: учебник: [для студентов, изучающих машинное обучение, а также специалистов в области анализа данных]
Авторы	Неделько Виктор Михайлович
Организация	Новосибирский гос. университет. Механико-математический фак.
Выходные сведения	Новосибирск: Издательско-полиграфический центр НГУ, 2026
Электронная публикация	Новосибирск: Издательско-полиграфический центр НГУ, 2026
Коллекция	Издания НГУ
Тематика	Обучение машинное ; Анализ данных компьютерный ; Труды преподавателей и сотрудников НГУ
ББК	А333.1я73-1я04
Тип документа	Учебник
Язык	Русский
Права доступа	Свободный доступ из сети Интернет (чтение, цитирование)
Дополнительно	Новинка
Ключ записи	RU\NSU\elcopy\5631
Дата создания записи	02.06.2026

Разрешенные действия

Прочитать

Группа	Анонимные пользователи
Сеть	Интернет

Место доступа	Группа пользователей	Действие
Интернет	Все

Введение
Метод прецедентов
- Метод ближайшего соседа в задаче классификации
- Случай вещественной целевой переменной
- Использование весовой функции
- Характеристика метода прецедентов
  - Варианты метода прецедентов
  - Свойства метода прецедентов
- Примеры кода
- Контрольные вопросы
(Квази)линейные методы классификации
- Гипотеза нормальности распределений
  - Одномерный случай
  - Многомерный случай
  - Оценивание параметров
  - Фильтрация нетипичных значений
  - Свойства метода
- Дискриминант Фишера
  - Идея метода
  - Свойства метода
- Логистическая регрессия
  - Идея метода
  - Оценивание параметров
  - Функция потерь
  - Свойства метода
- Наивный байесовский классификатор
  - Случай двух классов
  - Случай нескольких классов
  - Ряд Бахадура
  - Свойства метода
- Метод опорных векторов
  - Постановка задачи классификации
  - Линейно разделимая выборка
  - Линейно неразделимая выборка
  - Двойственная задача
  - Ядра и спрямляющие пространства
  - Беспризнаковая классификация
  - Задача безусловной оптимизации
  - Свойства метода
- Характеристика линейных методов
- Примеры кода
  - Визуализация решений
  - 99993em.5Кодирование категориальных переменных и наивный байесовский классификатор
- Контрольные вопросы
Логические методы классификации
- Логические закономерности
  - Понятие закономерности
  - Критерии качества закономерности
  - Решающие списки
- Решающие деревья
  - Понятие дерева решений
  - Построение дерева решений
  - Критерии ветвления
- Выводы
- Примеры кода
- Контрольные вопросы
Методы, основанные на композициях
- Композиции решающих функций
- Независимые подвыборки
  - Бэггинг
  - Случайный лес
  - Свойства
- Бустинг
  - Алгоритм AdaBoost
  - Свойства
- Нейронные сети
  - Схема нейрона
  - Аппроксимирующая способность сети
  - Обучение сети
  - Архитектуры нейронных сетей
  - Глубокое обучение
  - Бустинг и нейронные сети
- Ансамбли на основе различных методов
  - Простое голосование
  - Стэкинг
- Выводы
  - Преимущества ансамблей
  - Бустинг и случайный лес
- Примеры кода
  - Подбор сложности ансамбля
  - Визуализация нейронной сети
- Контрольные вопросы
Градиентный бустинг
- Алгоритм AdaBoost
  - Непосредственная оптимизация экспоненциальной функции потерь
  - AdaBoost как градиентный бустинг
  - Сходимость процесса бустинга
- Градиентный бустинг
- Метод XGBoost
- Свойства бустинга
  - Представление бустинга
  - Запуск бустинга на распределениях
  - Модельный пример
  - Понятие отступа
- Выводы
- Примеры кода
- Контрольные вопросы
Оценивание качества решений
- Постановка задачи
  - Точечные оценки риска
  - Формальная постановка
- Контрольная выборка
  - Точечная оценка
  - Доверительный интервал
  - Усреднённые оценки
  - Случай произвольной функции потерь
  - Свойства оценки по контрольной выборке
- Отложенная выборка
  - Определение
  - Несмещённость оценки hold-out
  - Вероятностные характеристики модели
  - Точность оценки hold-out
- Скользящий экзамен
  - Определение
  - Несмещённость скользящего экзамена
  - Точность скользящего экзамена
  - Дисперсия скользящего экзамена
  - Пример одинаково распределённых классов
  - Статистические оценки
  - Разновидности скользящего экзамена
  - Оценка out-of-bag
  - Свойства оценки скользящего экзамена
- Скользящий экзамен и дисперсионный анализ ✩
  - Задача оценивания зависимостей
  - Гипотеза однородности
  - Байесовская модель
  - Усреднённое решение
  - Обсуждение результатов
- Практические рекомендации
  - Оценивание дисперсии
  - Валидация и тест
- Выводы
- Примеры кода
- Контрольные вопросы
Эмпирический риск
- Понятие эмпирического риска
  - Основные понятия
  - Смещённость эмпирического риска
- Число разбиений выборки
  - Разбиения линейными функциями
  - Комбинаторная размерность
- Проверка нулевой гипотезы
  - Статистический критерий
  - Неполная разделимость
- Оценки Вапника–Червоненкиса
  - Доверительный интервал
  - Использование функции роста
  - Неулучшаемость оценок ✩
  - Точные оценки для гистограммного классификатора
- Доверительный интервал для риска
  - Качество точечных оценок
  - Доверительный интервал для риска
  - Свойства эмпирического риска
- Примеры кода
- Контрольные вопросы
Задача машинного обучения
- Критерии качества
  - Целевая функция потерь
  - Критерии точности классификации
  - Кривая ошибок
  - Функция потерь для оценки вероятности
  - Функция потерь для непрерывной целевой переменной
- Теория статистической устойчивости
  - Разложение ошибки
  - Меры адекватности и устойчивости
  - Сложность модели
  - Процесс обучения
- Смещение и разброс
  - Bias-variance decomposition
  - Универсальное разложение
  - Логарифмическая функция потерь
  - Разложение для kNN
  - Свойства разложения
- 99993em.5Общая постановка задачи машинного обучения
  - Модели
  - Замечания о терминах
  - Задача построения решающей функции
  - Связь с задачей проверки гипотез
  - Классификация методов машинного обучения
- 99993em.5Сравнение методов построения решающих функций
  - <<Полигон>> — 1980-е
  - Архив UCI
  - <<Полигон>> — 2000-е
  - Платформа Kaggle
  - Синтетические данные
- Понятие оптимальности метода
  - Проблема оптимальности методов построения решающих функций
  - Минимаксный подход к оцениванию качества
  - Выбор классов распределений
- Некоторые задачи машинного обучения
- Выводы
- Примеры кода
- Контрольные вопросы
Применение теории вероятностей
- Вероятностная интерпретация
- Вероятность как математическое понятие
  - Аксиоматическое определение
  - Закон больших чисел
  - Частотное определение вероятности
  - Условное распределение
- Вероятность как эмпирическое понятие
  - Эмпирические факты
  - Достоверность и практическая достоверность
- Случайность как незнание
  - Парадокс конвертов
  - Байесовский подход
- Применимость вероятностных моделей
  - Статистическая устойчивость
  - Проблема объективного сравнения подходов
  - <<Измерение>> вероятности
- Связанные понятия
  - Случайность и Колмогоровская сложность
  - Детерминированность и случайность
- Обсуждение
  - Выводы
  - Замечания
Некоторые задачи анализа данных
- Методы глобальной оптимизации
  - Задача поиска глобального экстремума
  - Формальная постановка
  - Теорема о небесплатном завтраке
  - Алгоритм СПА
- Кластерный анализ
  - Метод k-средних
  - Оценивание смеси распределений
  - Иерархическая кластеризация
- Анализ временных рядов
- Линейная регрессия
  - Постановка задачи
  - Сингулярное разложение
  - Регуляризация
  - Задача прогнозирования
- Использование экспертных знаний
  - Постановка задачи
  - Байесовский подход
  - 99993em.5Статистическая интерпретация экспертной информации
  - Примеры
- Некоторые задачи и приёмы решения
  - Пример Штейна
  - Прогнозирование нескольких переменных
  - Проблема target leaks
  - Заполнение пропусков
  - Обобщение задачи построения регресии
  - Кодирование категориальных переменных
  - Визуализация многомерных данных
  - Рекомендации по решению задач анализа данных
  - Вопросы на собеседованиях
- Контрольные вопросы
Проблемы искусственного интеллекта
- Большие языковые модели
  - Тестирование возможностей
  - Перспективы использования
  - Перспективы развития
- Историческая ретроспектива ИИ
  - Краткий обзор
  - Экспертные системы
- Естественный интеллект
  - Интеллект и сознание
  - Виды познания
- Примеры кода
Заключение
Glossarium
Литература

...