• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Современные методы принятия решений

2018/2019
Учебный год
RUS
Обучение ведется на русском языке
4
Кредиты
Статус:
Курс обязательный
Когда читается:
1-й курс, 4 модуль

Преподаватель

Программа дисциплины

Аннотация

Целями освоения дисциплины «Современные методы принятия решений» являются • формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений. • формирование представление о системах поддержки принятия решений. В рамках дисциплины изучаются такие разделы, как "Графические модели", "Основы нейронных сетей", "Специальные виды нейронных сетей" и "Выбор стратегий помощью нейросетей".
Цель освоения дисциплины

Цель освоения дисциплины

  • формирование теоретических знаний о математических методах поиска и анализа данных для принятия и реализации решений
  • формирование представление о системах поддержки принятия решений
Планируемые результаты обучения

Планируемые результаты обучения

  • Демонстрирует знание определений, обозначений и примеров графических моделей
  • Демонстрирует умение вывода на графе с циклами и без циклов, в моделях со сложными факторами (Expectation Propagation)
  • Умеет обучать перцептрон и знает историю развития нейронных сетей
  • Умеет применять метод моментов и методы второго порядка
  • Демонстрирует знание специальных видов нейронных сетей: рекуррентные, сверточные, глубокие сети для обработки текстов (распределенные представления слов и рекурсивные нейронные сети)
  • Знает основы и определения обучения с подкреплением
  • Умеет применять нейробайесовские методы
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Графические модели
    Графические модели: определения, обозначения, примеры. Маргинализация в общем виде, вывод на графе без циклов. Вывод на графе с циклами: вариационные приближения. Алгоритм EM в общем виде. Сэмплирование как метод приближённого вычисления. Методы сэмплирования. Тематическое моделирование и модель LDA. Вывод в моделях со сложными факторами: Expectation Propagation. Байесовские рейтинг-системы.
  • Основы нейронных сетей
    Нейронные сети: перцептрон. Виды функций активации. Обучение одного перцептрона. История развития нейронных сетей. Градиентный спуск. Обратное распространение градиента на графе вычислений. Как сделать градиентный спуск быстрее и лучше. Метод моментов, методы второго порядка и другие трюки. Регуляризация в нейронных сетях. Дропаут и его мотивация. Другие методы.
  • Специальные виды нейронных сетей
    Рекуррентные сети: базовые архитектуры, LSTM, GRU. Свёрточные сети: архитектуры, как обучать, для чего они нужны. Глубокие сети для обработки текстов I: распределённые представления слов. Глубокие сети для обработки текстов II: рекурсивные нейронныесети, сети со стеком, сети с памятью.
  • Выбор стратегий с помощью нейросетей
    Обучение с подкреплением: основы, определения, классические алгоритмы Как работает AlphaGo: обучение с подкреплением на глубоких сетях. DQN. Соединяем байесовский вывод и глубокие сети: нейробайесовские методы.
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание
  • неблокирующий Контрольная работа
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (4 модуль)
    0.36 * Домашнее задание + 0.24 * Контрольная работа + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Murphy, K. P. (2012). Machine Learning : A Probabilistic Perspective. Cambridge, Mass: The MIT Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=480968

Рекомендуемая дополнительная литература

  • Hetland, M. L. (2014). Python Algorithms : Mastering Basic Algorithms in the Python Language (Vol. Second edition). [New York, N.Y.]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1174465