Современные методы принятия решений

Магистратура 2018/2019

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Кто читает: Департамент математики

Когда читается: 1-й курс, 4 модуль

Формат изучения: без онлайн-курса

Преподаватели: Суворова Алёна Владимировна

Язык: русский

Кредиты: 4

Контактные часы: 44

Полная версия программы учебной 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

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

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

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

Домашнее задание
Контрольная работа
Экзамен

Промежуточная аттестация

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

Программа дисциплины