НИУ МАИ, Москва, 2016, 410 с.
Магистры, 2-ой год обучения, МАИ, 3 факультет, каф.301, преп. Кудрявцев П.С. Данный семестровый курс предназначен для магистров с профилем подготовки «Управление и информационные технологии в технических системах», обучающихся на кафедре 301 НИУ МАИ. В курсе рассмотрены основные подходы, методы и алгоритмы, используемые при построении обучающихся информационно-управляющих технических систем. Данный лекционный курс прежде всего предназначен для студентов инженерных специальностей и поэтому, наибольшее внимание уделяется функциональным и алгоритмическим аспектам машинного обучения, пренебрегая, по возможности, математической строгостью и полнотой. Такое построение курса также обусловлено ограниченным объемом лекционных часов. Однако, в конце каждой лекции, учащийся может найти перечень источников информации, в которых излагаются рассмотренные вопросы более подробно. Следует отметить, что практические примеры реализации, излагаемых в лекциях методов, рассматриваются на практических занятиях и лабораторных работах, которые представляются в виде отдельных материалов, выдаваемых студентам. Для реализации алгоритмов используются программные средства среды Matlab. Для активного усвоения курса от обучающегося требуется знание основ линейной алгебры, теории автоматического управления, теории вероятности и математической статистики, дискретной математики, математической логики и методов оптимизации. Для успешного выполнения заданий практических занятий и лабораторных работ учащийся должен также владеть элементарной информацией о структуре среды Matlab и простейшими навыками программирования в ней. Предполагается, что большинство магистрантов закончило бакалавриат МАИ, где и получили требуемые первичные знания, необходимые для изучения данного курса. Понятия адаптации и обучения в технических системах. Адаптивные системы. Основные концепции и виды машинного обучения
Понятия адаптации, обучения и самообучения в системах автоматического управления
Адаптивные системы
Виды машинного обучения
Построение признакового описания объектов по разнотипным данным
Подходы к формированию обучающей выборки для задач машинного обучения
Разведочный анализ
Типовая схема реализации машинного обучения
Детерминированные модели классификации и методы их обучения
Детерминированные метрические классификаторы
Линейные детерминированные модели классификации
Машины опорных векторов
Алгебраический подход к решению задач распознавания
Логические алгоритмы классификации
Статистические методы обучения. Байесовские классификаторы
Статистические решающие правила классификации
Виды вероятности ошибочной классификации
Оценка качества обучения моделей классификации
Теория обобщения решающих функций и методы выбора модели
Отбор информативных признаков. Ансамбли и композиции классификаторов. Модели смешения
Выбор информативного признакового описания модели классификации
Ансамбли и композиции классификаторов
Параллельное обучение ансамблей классификаторов
Динамические структуры объединения ответов экспертов
Регрессионные модели классификации. Байесовские и марковские сети. Модели случайного поля
Многомерные регрессионные модели и классификация
Байесовские и марковские сети
Скрытые марковские модели
Модели случайного поля
Корреляционно-экстремальное распознавание объектов на случайном поле
Обучение без учителя. Кластерный анализ. Обучение с подкреплением
Метод потенциальных функций
Задачи классификации при отсутствии обучающей выборки
Методы и алгоритмы кластерного анализа
Обучение управляемых дискретных моделей с использованием подкрепления
Нейронные сети.
Элементы искусственных нейронных сетей
Прямые методы обучения линейной многослойной персептронной сети
Методы настройки персептронной сети с использованием оценочной обратной связи
Типы и парадигмы нейронных сетей
Нечеткие множества. Системы нечеткого принятия решений и управления
Нечеткие множества и нечеткая математика
Правила нечеткой логики
Структура модуля нечеткого логического вывода
Применение теории нечетких множеств для задач классификации
Нейронечеткие системы управления
Применение технологии Data Mining при проектировании информационно-аналитических систем
Основные понятия технологии Data Mining
Применение методов Data Mining при проектировании бортовых информационно-аналитических систем ЛА
Магистры, 2-ой год обучения, МАИ, 3 факультет, каф.301, преп. Кудрявцев П.С. Данный семестровый курс предназначен для магистров с профилем подготовки «Управление и информационные технологии в технических системах», обучающихся на кафедре 301 НИУ МАИ. В курсе рассмотрены основные подходы, методы и алгоритмы, используемые при построении обучающихся информационно-управляющих технических систем. Данный лекционный курс прежде всего предназначен для студентов инженерных специальностей и поэтому, наибольшее внимание уделяется функциональным и алгоритмическим аспектам машинного обучения, пренебрегая, по возможности, математической строгостью и полнотой. Такое построение курса также обусловлено ограниченным объемом лекционных часов. Однако, в конце каждой лекции, учащийся может найти перечень источников информации, в которых излагаются рассмотренные вопросы более подробно. Следует отметить, что практические примеры реализации, излагаемых в лекциях методов, рассматриваются на практических занятиях и лабораторных работах, которые представляются в виде отдельных материалов, выдаваемых студентам. Для реализации алгоритмов используются программные средства среды Matlab. Для активного усвоения курса от обучающегося требуется знание основ линейной алгебры, теории автоматического управления, теории вероятности и математической статистики, дискретной математики, математической логики и методов оптимизации. Для успешного выполнения заданий практических занятий и лабораторных работ учащийся должен также владеть элементарной информацией о структуре среды Matlab и простейшими навыками программирования в ней. Предполагается, что большинство магистрантов закончило бакалавриат МАИ, где и получили требуемые первичные знания, необходимые для изучения данного курса. Понятия адаптации и обучения в технических системах. Адаптивные системы. Основные концепции и виды машинного обучения
Понятия адаптации, обучения и самообучения в системах автоматического управления
Адаптивные системы
Виды машинного обучения
Построение признакового описания объектов по разнотипным данным
Подходы к формированию обучающей выборки для задач машинного обучения
Разведочный анализ
Типовая схема реализации машинного обучения
Детерминированные модели классификации и методы их обучения
Детерминированные метрические классификаторы
Линейные детерминированные модели классификации
Машины опорных векторов
Алгебраический подход к решению задач распознавания
Логические алгоритмы классификации
Статистические методы обучения. Байесовские классификаторы
Статистические решающие правила классификации
Виды вероятности ошибочной классификации
Оценка качества обучения моделей классификации
Теория обобщения решающих функций и методы выбора модели
Отбор информативных признаков. Ансамбли и композиции классификаторов. Модели смешения
Выбор информативного признакового описания модели классификации
Ансамбли и композиции классификаторов
Параллельное обучение ансамблей классификаторов
Динамические структуры объединения ответов экспертов
Регрессионные модели классификации. Байесовские и марковские сети. Модели случайного поля
Многомерные регрессионные модели и классификация
Байесовские и марковские сети
Скрытые марковские модели
Модели случайного поля
Корреляционно-экстремальное распознавание объектов на случайном поле
Обучение без учителя. Кластерный анализ. Обучение с подкреплением
Метод потенциальных функций
Задачи классификации при отсутствии обучающей выборки
Методы и алгоритмы кластерного анализа
Обучение управляемых дискретных моделей с использованием подкрепления
Нейронные сети.
Элементы искусственных нейронных сетей
Прямые методы обучения линейной многослойной персептронной сети
Методы настройки персептронной сети с использованием оценочной обратной связи
Типы и парадигмы нейронных сетей
Нечеткие множества. Системы нечеткого принятия решений и управления
Нечеткие множества и нечеткая математика
Правила нечеткой логики
Структура модуля нечеткого логического вывода
Применение теории нечетких множеств для задач классификации
Нейронечеткие системы управления
Применение технологии Data Mining при проектировании информационно-аналитических систем
Основные понятия технологии Data Mining
Применение методов Data Mining при проектировании бортовых информационно-аналитических систем ЛА