Введение.
Задачи машинного обучения.
Пространство признаков.
Формальное определение понятия «обучение».
Общий алгоритм машинного обучения.
Типы задач машинного обучения.
Способы обучения и оценки его качества.
Типовые задачи при подготовке данных и обучении моделей.
Учет пропусков.
Кодирование нечисловых признаков.
Приведение данных к единому масштабу и стандартизация.
Разметка данных.
Переобучение.
Модели и алгоритмы машинного обучения.
Методы теории вероятностей.
Деревья решений.
Статистические модели и методы.
Модели и методы нечеткой логики.
Нечеткие множества.
Лингвистические переменные.
Операции нечеткой логики.
Нечеткие системы.
Нечеткая логика в анализе временных рядов.
Метод моделирования нечетких временных рядов.
Пример моделирования временного ряда в нечетком подходе.
Извлечение знаний из временных рядов.
Нечеткое сглаживание временного ряда.
Нечеткая регрессия.
ACL-шкала и нечеткая кластеризация объектов.
Искусственные нейронные сети.
Особенности нейронных сетей.
Определение модели искусственной нейронной сети.
Первая формальная модель и первая реализация нейронной сети.
Многослойный персептрон (MLP).
Сверточные (ConvolutionalNeuralNet) и Глубокие (DeepNet) Сети.
Карты (ART, SFAM).
Рекуррентные сети (Recurrent Neural Network).
Самоорганизующиеся карты (Self-organization map, SOM).
Автокодировщики (AutoEncoder).
Импульсные (Спайковые) сети.
Причины бурного развития ИНС сегодня.
Борьба с переобучением в ИНС.
Обратное распространение ошибки.
Нечеткие нейронные сети.
Генетические алгоритмы.
Нечеткие системы с генетической настройкой.
Нечеткие нейронные сети с генетическим проектированием.
Генетическая оптимизация F-преобразования временных рядов.
Разработка приложений в сфере машинного обучения.
Основы работы с Python.
Элементарные операции с данными.
Работа с DataFrame.
Предобработка данных. Стандартизация и нормализация.
Работа с деревьями решений.
Сохранение и загрузка обученной модели.
Работа с логистической регрессией.
Решение задачи ранжирования признаков.
Работа с полиномиальной регрессией.
Работа с простейшими моделями нейронных сетей.
Реализация алгоритма обучения нейронной сети.
Регуляризация и сеть прямого распространения.
Работа с библиотеками Keras и Theano. Настройка под Windows.
Получение данных средствами Keras.
Создание и обучение модели сверточной сети.
Загрузка и сохранение сложных моделей.
Рекуррентные сети для прогнозирования временных рядов.
Контрольные вопросы и тестовые задания.
Тест «Общие сведения о машинном обучении».
Проблема переобучения.
Регрессия.
Модели и методы нечеткой логики.
Нечеткие временные ряды.
Нечеткая регрессия.
Генетические алгоритмы.
Нечеткая кластеризация.
Искусственные нейронные сети и глубинное обучение.
Тест «Искусственные нейронные сети».
Практические задания.
Работа с файлом данных Титаника.
Работа по отбору признаков.
Многослойный персептрон.
Реализация алгоритма обратного распространения ошибки.
Регуляризация и сеть прямого распространения.
Сравнение эффективности моделей из библиотеки Keras.
Работа с библиотекой OpenCV.
Нечеткая логика.
Генетические алгоритмы.
Нечеткая кластеризация объектов.
Анализ временных рядов.
Работа с рекуррентными сетями.
Заключение.
ссарий.
Предметный указатель.
Библиографический список.