Евгений Разинков. Лекция 1. Введение в машинное обучение (курс "Машинное обучение", весна 2019)

YOUTUBE · 22.11.2025 06:41

Ключевые темы и таймкоды

Введение в машинное обучение

0:11

Евгений Разников, преподаватель, рассказывает о своем курсе "Машинное обучение" и его отличии от других курсов.
Он также упоминает о своем опыте работы в группе компаний Фикс и на кафедре системного анализа.

Важность машинного обучения

5:05

Разников подчеркивает важность понимания основ машинного обучения для всех людей, особенно для руководителей и ИТ-специалистов.
Он объясняет, что машинное обучение может повлиять на карьеру и работу людей, и что каждый должен разбираться в этой области.

Статистика по зачету

8:51

Разников приводит статистику по зачету, который он проводил в прошлом году.
Он отмечает, что шанс сдать зачет с первой попытки составляет 22,5%, а на пересдаче - 3,3%.

Введение в машинное обучение

14:14

Обсуждение критериев искусственного интеллекта и подходов к его созданию.
Упоминание теста Тьюринга и его критики.

История машинного обучения

21:35

Начало машинного обучения в 40-х годах, период воодушевления и разочарования.
Переход к экспертным системам и глубокому обучению в 90-х годах.

Основные виды машинного обучения

23:16

Обучение с учителем (супервайзинг) - самый важный класс алгоритмов.

Обучение с учителем

24:02

В обучении с учителем используются обучающая выборка и правильный ответ для решения задачи.
Разделение выборки на обучающую, валидационную и тестовую для оценки точности алгоритма.

Классификация и регрессия

29:58

Классификация - определение класса объекта на основе вектора признаков.
Регрессия - предсказание вещественного значения, например, стоимости доллара.

Примеры использования обучения с учителем

32:53

Классификация и регрессия в компьютерном зрении и обработке естественного языка.
Примеры использования машинного обучения для решения задач в разных областях.

Введение в компьютерное зрение

34:49

Видео обсуждает компьютерное зрение, которое решает задачи, связанные с обработкой изображений и видео.
Примеры включают классификацию изображений, обнаружение объектов, семантическую сегментацию, распознавание текста, распознавание лиц, отслеживание объектов и распознавание эмоций.

Машинное обучение и компьютерное зрение

40:13

Машинное обучение играет важную роль в компьютерном зрении, особенно в задачах классификации и регрессии.
Примеры включают распознавание действий, восстановление трехмерной сцены, распознавание эмоций и синтез речи.
Машинный перевод и машинное распознавание речи также успешно решаются с помощью машинного обучения.

Обучение без учителя

50:24

Обучение без учителя - это методы, которые находят закономерности в данных, не имеющих правильных ответов.
Примеры: новостные агрегаторы, обучение без учителя в шахматах.

Обучение с подкреплением

52:39

Обучение с подкреплением - это обучение агента, который взаимодействует со средой и получает обратную связь.
Примеры: обучение шахматной программы, обучение программы для игры в StarCraft.

Генеративно-состязательные сети

56:50

Генеративно-состязательные сети - это системы, которые могут генерировать реалистичные изображения, не существующие в реальности.
Примеры: генерация изображений с помощью двух нейронных сетей.

Экзамен и практика

1:01:26

В видео обсуждается вопрос о том, почему студенты должны сдавать экзамен, если машина уже решает задачи лучше, чем они.
Упоминается, что гугл размещает выборку для создания беспилотного автомобиля, и это может быть связано с экзаменом.
Обсуждается важность практики и домашних заданий для успешной сдачи экзамена.

Подготовка к экзамену

1:03:55

Преподаватель объясняет, что на экзамене студенты будут получать баллы за практику и теорию, и что важно ходить на практику и решать домашние задания.
Он также подчеркивает, что если студент плохо отвечает на вопросы теории, это не будет учитываться при оценке.

Статистика и отчисление студентов

1:06:21

Преподаватель говорит, что в его университете не все студенты сдают экзамен, и что он не знает, что происходит с теми, кто не сдал.
Он подчеркивает, что в хороших университетах не все студенты сдают на 100%, и что он старается сделать свой университет таким.