Для функционирования сайта могут собираться метаданные (сcookie, IP-адрес, местоположение). Если Вы не хотите, чтобы эти данные обрабатывались, то покиньте сайт.
OK
Обучающий курс по машинному обучению и работе с AIConstructor
9 уроков, иллюстрирующих принципы работы с десктопной версией и основные концепции машинного обучения.
Первые 4 урока относятся к базовым.
Их изучение желательно для понимания остального материала. Базовые уроки можно пройти в любом порядке.

Каждый урок включает:
Лекцию
Краткое руководство с описанием основных принципов и концепций
Видео
Примеры решения определенных задач интеллектуального анализа данных
Тест
Задания для промежуточной проверки знаний
Базовый курс
(скоро будет доступен онлайн)
Темы уроков:
1
Введение
Терминология. Основные понятия и концепции. Проведение вычислительного эксперимента в режиме мастера (краткое знакомство с базовым функционалом). Создание научного отчета.
2
Пространство признаков и классификация
Базовый функционал основного модуля. Понятие пространства признаков. Разделимость классов. Формат данных с описанием образов.
Статистический подход к классификации. Законы распределения значений признаков. Проверка гипотез о законе распределения признака.
Режим идентификации и верификации образов. "Наивный" и "осторожный" ("не наивный") Байесовский классификатор.
Обучение и классификация (на примере классификатора Байеса и задачи распознавания пользователей ПК по клавиатурному почерку). Проведение вычислительного эксперимента. Оценка ошибок 1-го и 2-го рода (FRR и FAR) и точности классификации.
3
Конструктор нейронных сетей
Обработка сырых данных с использованием многослойных нейронных сетей и методов глубокого обучения. Загрузка данных, поддерживаемые форматы. Предобработка образов (нормировка, вычисление Фурье-спектрограмм, типы окон, корреляционные спектрограммы). Построение конфигураций нейронных сетей. Гиперпараметры, типы слоев, алгоритмы оптимизации.
Обучение и классификация на примере задач идентификации цифр при анализе изображений (MNIST dataset) и звука (Jakobovski dataset) с помощью сверточной нейронной сети. Проведение вычислительного эксперимента. Оценка точности классификации, ошибок 1-го и 2-го рода (FRR и FAR).
4
Задачи регрессии
Оценка по матрице входных переменных (параметров функции) выходной переменной (значения, принимаемое функцией). Прогнозирование временных рядов. Оценка и прогнозирование стоимости криптовалют на основе данных о стоимости других криптовалют.
Продвинутый курс
(находится в разработке)
Темы уроков:
Конструктор ансамблей. Строительные блоки ИИ.
Для понимания материала желательно изучить урок 3.
Ансамбли (комитеты) классификаторов. Бутстреп агрегирование (бэггинг), бустинг, стекинг и другие методы ассемблирования. Понятие мета-признаков.
Построение простого ансамбля из нейронных сетей. Построение более сложных ансамблей из нейронных сетей и других классификаторов в конструкторе.
Формирование ансамблей из многослойных нейронных сетей на примере задачи распознавания функционального (психофизиологического) состояния человека по термограммам лица и шеи.
Извлечение признаков
Для понимания материала желательно изучить уроки 2 и 3.
Критерий информативности признака, определение количества собственной информации признака о различии классов. Оценка коррелированности признаков.
Обработка сырых данных с целью извлечения признаков. Два способа извлечения признаков и их комбинирование:
1. При помощи методов анализа сигналов (спектрального, кепстрального, корреляционного, вейвлет);
2. С помощью многослойных нейронных сетей (автокодировщиков).
Извлечение признаков диктора из голосовых паролей. Оценка информативности и коррелированности голосовых признаков.
Распознавание дикторов в пространстве выделенных признаков на основе Байесовского классификатора.
Преобразователи биометрия-код
Для понимания материала желательно изучить урок 2, 6.
Концепция преобразователя биометрия-код. Нечеткие экстракторы и нейросетевые ПБК. Проблема построения нейросетевых ПБК на основе многослойных нейронных сетей, глубокие и широкие нейронные сети. Пакет стандартов ГОСТ Р 52633. Обучение нейросетевого ПБК на основе алгоритма ГОСТ Р 52633.5 и оценка ошибок 1-го и 2-го рода (FRR и FAR) на примере задачи верификации автографов.
О тестировании стойкости нейросетевого ПБК к атакам подбора биометрического образа по ГОСТ Р 52633.3. Оценка стабильности разрядов откликов на образы "Чужие". Защита нейросетевого контейнера от угрозы извлечения знаний (биометрического эталона и ключа).
Генератор образов
Для понимания материала желательно изучить урок 2, 6.
Что если данных мало? Моделирование системы распознавания образов при неполных знаниях о классах образов и пространстве признаков.
Метод Монте-Карло. Генерация образов (в пространстве независимых или коррелированных признаков).
Шаблоны классов. Генерация и создание шаблонов классов, когда данных вообще нет.
Генеративно-состязательные сети (GAN).
Мета-пространство признаков Байеса-Минковского
Для понимания материала желательно изучить урок 2, 6, 8.
Самый сложный урок. Материал преподносится впервые.
Искривление пространства признаков из-за наличия корреляционных связей между ними. Понятие спрямляющего пространства признаков. Проблема проклятья размерности.
Определение количества информации, которое скрыто в корреляционных связях между признаками. Энтропия Шеннона и Байесовская энтропия. Новейшая концепция мета-пространства признаков Байеса-Минковского и его построение с помощью специального отображения (на примере сгенерированных образов). Свойства мета-пространства признаков Байеса-Минковского.
Обход проблемы проклятия размерности путем построения ансамбля (сети) классификаторов в мета-пространстве признаков высокой размерности Байеса-Минковского.

Made on
Tilda