主题目录
Тема 1. Регрессия: линейная, логистическая
Обучение с учителем. Стандартный/стохастический метод градиентного спуска. Нормальное распределение. Взвешенный метод наименьших квадратов. Метод Ньютона. Семейство экспоненциальных функций. Централизованные линейные моделиТема 2. Генерационные алгоритмы обучения
Дискриминантный анализ Гаусса. Простейшая Байесовская теория. Сглаживание Лапласа. Метод опорных векторов. ЯдраТема 3. Теория обучения
Матожидание и дисперсия. Неравенства Хеффдинга. Регуляризация. Метод К-средних. Гауссова смесь распределений без максимизации ожиданий. Гауссова смесь распределений с максимизацией ожиданийТема 4. Факторный и компонентный анализ
Ограничение на пространство матриц. Пределы и условия Гауссианов. Модель факторного анализа. Максимизация ожиданий для факторного анализа. Метод главных компонент. Метод независимых компонентТема 5. Усиление обучения и контроля
Марковский процесс принятия решений. Итерация значений и политик. Q-обучение. Аппроксимация значений функции. Подкрепление. Частично наблюдаемый марковский процесс принятия решения