Добрый день!
Здесь будут выкладываться последние новости по обновлению онлайн-учебника DeepMachineLearning.ru по машинному обучению и нейросетям.

Октябрь 2024
- Учебник впервые использован в учебном процессе в курсе "Методы машинного обучения" на факультете вычислительной математики и кибернетики в МГУ.

Декабрь 2024
- Учебник начал использоваться в курсе "Машинное обучение" совместной магистратуры МФТИ и Т-Банка.
- Учебник начал использоваться в курсе "Глубокое машинное обучение" на факультете вычислительной математики и кибернетики в МГУ.

Март 2025
- Учебник представлен на конференции «Математические методы и информационные технологии в экономике и управлении 2025».
- Учебник дополнительно перечитан, исправлены опечатки, и улучшен стиль. За вычитку учебника отдельная благодарность студентке ВМК МГУ Камилле Киямовой.
- Учебник начал использоваться в курсе "Глубокое обучение" совместной магистратуры МФТИ и Т-Банка.

Первая часть по машинному обучению дополнительно перечитана, улучшен стиль и структура подачи материала. В каждой главе добавлены ссылки на первоисточники, а также на дополнительную литературу для более глубокого и разностороннего погружения в каждую тему.

Во второй части учебника по глубокому обучению расширен список задач, решаемых с помощью нейросетей (раздел "Обзор задач глубокого обучения"), а сами задачи дополнены ссылками на дополнительную литературу и state-of-the-art методы решения.

Первая половина учебника по глубокому обучению (до описания датасета ImageNet) дополнительно перечитана, улучшена структура, добавлены ссылки на дополнительную литературу и вопросы для самопроверки.

Перечитана вторая половина учебника по глубокому обучению, улучшено описание отдельных методов, добавлены вопросы для самопроверки и ссылки на связанные понятия и дополнительную литературу. Таким образом, все темы, присутствующие сейчас на сайте, имеют законченный вид. Со временем будут появляться новые!

Расширено описание и добавлено геометрическое обоснование метода опорных векторов.
Добавлена глава про сети радиальных базисных функций.

По ссылке https://deepmachinelearning.ru/practice выложены обучающие материалы на python по основным этапам первичного анализа и подготовки данных перед их применением в методах машинного обучения.

Рад, что мои усилия по созданию открытого онлайн-учебника по машинному обучению и нейросетям были отмечены призом RuCode в номинации "ИИ для всех" от компании МТС Web Services!

Надеюсь, учебник облегчит вхождение в область интеллектуального анализа данных новым специалистам!

Хотелось бы получше узнать своих читателей и собрать обратную связь по онлайн-учебнику DeepMachineLearning.ru - как вы используете машинное обучение, какие главы учебника прочитали, насколько он оказался вам полезен? Буду благодарен, если вы уделите пару минут и заполните небольшую форму обратной связи. Хочется понять востребованность/актуальность образовательного ресурса.

Учебник активно дорабатывался в 2025 году. В частности (в числе прочих других многочисленных улучшений и дополнений):
- в большинство глав был добавлен список литературы по теме
- в большинство разделов добавлена отдельная глава с рекомендациями, что где ещё почитать по теме раздела
- дополнена глава про метод опорных векторов (вывод оптимизационной задачи, обобщение через ядра)
- добавлен вывод ядерного обобщения для гребневой регрессии
- написаны новые разделы про методы кластеризации, оценку качества кластеризации
- написан новый раздел про метод главных компонент и метод LDA для снижения размерности, тематическое моделирование и представление текстов для обработки моделями машинного обучения
- написаны главы про типы задач глубокого обучения, алгоритм xgBoost, RBF-сеть и дистилляцию знаний
- создана система обучающих jupyter-ноутбуков в google-colab по базовой подготовке признаков перед их обработкой методами машинного обучения

Сделал музыкальный трек, призванный (в меру моих музыкальных способностей) вдохновить читателей на изучение машинного обучения. Внизу титульной страницы учебника 🎶

Перечитал свежим взглядом новые темы, добавленные в 2025 году:
- улучшил стиль, неочевидные моменты расписал подробнее
- исправил опечатки
- добавил внешние и кросс-ссылки на используемые понятия