http://mit.spbau.ru/sewiki/api.php?action=feedcontributions&feedformat=atom&user=Korobeynikov 2026-04-07T18:52:59Z Вклад участника MediaWiki 1.26.2 http://mit.spbau.ru/sewiki/index.php?title=%D0%A1%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_2015&diff=5486 2015-02-20T00:11:44Z

<p>Korobeynikov: /* Фрагменты теории вероятностей */</p> <hr /> <div>Лекции - Антон Коробейников (&lt;b&gt;anton@korobeynikov.info&lt;/b&gt;)<br /> <br /> Практика - Александр Шлемов (&lt;b&gt;ShlemovAlex@gmail.com&lt;/b&gt;) <br /> <br /> = Предварительная программа =<br /> == Фрагменты теории вероятностей ==<br /> # Геометрическая вероятность. Пример (множество Витали). Непрерывная вероятность. ''(13.02.2015)''<br /> # Базовые вещи: пространство элементарных исходов, сигма-алгебра (для галочки), вероятность. <br /> # Случайная величина. Распределение случайной величины. Плотность. Функция распределения. Свойства.<br /> # Распределения случайных векторов. Плотность. Ф.р. <br /> # Независимость случайных величин<br /> # Преобразования с.в. - сумма, произведение. Смеси. Формула полной вероятности.<br /> # Классические распределения<br /> # Среднее, дисперсия, корреляция, медиана. Свойства. <br /> # Сходимость распределений. Почти наверное, по вероятности, слабая (по распределению). Связь. Примеры.<br /> # ЗБЧ, ЦПТ<br /> <br /> == Элементарная статистика ==<br /> # Понятие выборки. Эмпирическое распределение<br /> # Понятие характеристик. Эмпирические и генеральные характеристики<br /> # Оценки. Свойства. Понятия несмещенности, состоятельности. Способы построения оценок: метод подстановки (моментов), метод максимум правдоподобия <br /> # Доверительные интервалы. Понятие. Примеры: доверительные интервалы для среднего и дисперсии в нормальной модели, асимптотические доверительные интервалы исходя из ЦПТ<br /> # Проверка гипотез<br /> <br /> == Домашние задания по практике ==<br /> * К.р. по статистике [[Файл:work_stat.pdf]]<br /> <br /> == Результаты и итоги ==<br /> <br /> = Литература=<br /> == Основная ==<br /> # Чернова Н. И. [http://www.nsu.ru/mmf/tvims/chernova/tv/index.html Теория вероятностей]: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 160 с.<br /> # Гнеденко Б. В. Курс теории вероятностей. 8-е изд., испр. и доп.—М.: Едиториал УРСС, 2005.— 448 с. <br /> # Чернова Н. И. [http://www.nsu.ru/mmf/tvims/chernova/ms/index.html Математическая статистика]: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 148 с.<br /> <br /> == Дополнительная ==<br /> # Некруткин В.В. Распределения одномерных случайных величин. [http://statmod.ru/wiki/_media/books:vv:comments_one_dim_distributions_2013_1.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Распределения случайных векторов [http://statmod.ru/wiki/_media/books:vv:comments_multidim_distributions_2013.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Математические ожидания [http://statmod.ru/wiki/_media/books:vv:comments_expectation_2014.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Think Stats: Probability and Statistics for Programmers [http://greenteapress.com/thinkstats/thinkstats.pdf PDF]<br /> <br /> <br /> [[Category:5 курс. Весна 2015]]</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A1%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_2015&diff=5485 2015-02-20T00:11:11Z

<p>Korobeynikov: </p> <hr /> <div>Лекции - Антон Коробейников (&lt;b&gt;anton@korobeynikov.info&lt;/b&gt;)<br /> <br /> Практика - Александр Шлемов (&lt;b&gt;ShlemovAlex@gmail.com&lt;/b&gt;) <br /> <br /> = Предварительная программа =<br /> == Фрагменты теории вероятностей ==<br /> # Геометрическая вероятность. Пример (множество Витали). Непрерывная вероятность.<br /> # Базовые вещи: пространство элементарных исходов, сигма-алгебра (для галочки), вероятность. <br /> # Случайная величина. Распределение случайной величины. Плотность. Функция распределения. Свойства.<br /> # Распределения случайных векторов. Плотность. Ф.р. <br /> # Независимость случайных величин<br /> # Преобразования с.в. - сумма, произведение. Смеси. Формула полной вероятности.<br /> # Классические распределения<br /> # Среднее, дисперсия, корреляция, медиана. Свойства. <br /> # Сходимость распределений. Почти наверное, по вероятности, слабая (по распределению). Связь. Примеры.<br /> # ЗБЧ, ЦПТ<br /> <br /> == Элементарная статистика ==<br /> # Понятие выборки. Эмпирическое распределение<br /> # Понятие характеристик. Эмпирические и генеральные характеристики<br /> # Оценки. Свойства. Понятия несмещенности, состоятельности. Способы построения оценок: метод подстановки (моментов), метод максимум правдоподобия <br /> # Доверительные интервалы. Понятие. Примеры: доверительные интервалы для среднего и дисперсии в нормальной модели, асимптотические доверительные интервалы исходя из ЦПТ<br /> # Проверка гипотез<br /> <br /> == Домашние задания по практике ==<br /> * К.р. по статистике [[Файл:work_stat.pdf]]<br /> <br /> == Результаты и итоги ==<br /> <br /> = Литература=<br /> == Основная ==<br /> # Чернова Н. И. [http://www.nsu.ru/mmf/tvims/chernova/tv/index.html Теория вероятностей]: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 160 с.<br /> # Гнеденко Б. В. Курс теории вероятностей. 8-е изд., испр. и доп.—М.: Едиториал УРСС, 2005.— 448 с. <br /> # Чернова Н. И. [http://www.nsu.ru/mmf/tvims/chernova/ms/index.html Математическая статистика]: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 148 с.<br /> <br /> == Дополнительная ==<br /> # Некруткин В.В. Распределения одномерных случайных величин. [http://statmod.ru/wiki/_media/books:vv:comments_one_dim_distributions_2013_1.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Распределения случайных векторов [http://statmod.ru/wiki/_media/books:vv:comments_multidim_distributions_2013.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Математические ожидания [http://statmod.ru/wiki/_media/books:vv:comments_expectation_2014.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Think Stats: Probability and Statistics for Programmers [http://greenteapress.com/thinkstats/thinkstats.pdf PDF]<br /> <br /> <br /> [[Category:5 курс. Весна 2015]]</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A1%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_2015&diff=5484 2015-02-20T00:11:00Z

<p>Korobeynikov: </p> <hr /> <div>Лекции - Антон Коробейников (&lt;b&gt;anton@korobeynikov.info&lt;/b&gt;)<br /> <br /> Практика - Александр Шлемов (&lt;b&gt;ShlemovAlex@gmail.com&lt;/b&gt;) <br /> <br /> = Предварительная программа =<br /> == Ошметки теории вероятностей ==<br /> # Геометрическая вероятность. Пример (множество Витали). Непрерывная вероятность.<br /> # Базовые вещи: пространство элементарных исходов, сигма-алгебра (для галочки), вероятность. <br /> # Случайная величина. Распределение случайной величины. Плотность. Функция распределения. Свойства.<br /> # Распределения случайных векторов. Плотность. Ф.р. <br /> # Независимость случайных величин<br /> # Преобразования с.в. - сумма, произведение. Смеси. Формула полной вероятности.<br /> # Классические распределения<br /> # Среднее, дисперсия, корреляция, медиана. Свойства. <br /> # Сходимость распределений. Почти наверное, по вероятности, слабая (по распределению). Связь. Примеры.<br /> # ЗБЧ, ЦПТ<br /> <br /> == Элементарная статистика ==<br /> # Понятие выборки. Эмпирическое распределение<br /> # Понятие характеристик. Эмпирические и генеральные характеристики<br /> # Оценки. Свойства. Понятия несмещенности, состоятельности. Способы построения оценок: метод подстановки (моментов), метод максимум правдоподобия <br /> # Доверительные интервалы. Понятие. Примеры: доверительные интервалы для среднего и дисперсии в нормальной модели, асимптотические доверительные интервалы исходя из ЦПТ<br /> # Проверка гипотез<br /> <br /> == Домашние задания по практике ==<br /> * К.р. по статистике [[Файл:work_stat.pdf]]<br /> <br /> == Результаты и итоги ==<br /> <br /> = Литература=<br /> == Основная ==<br /> # Чернова Н. И. [http://www.nsu.ru/mmf/tvims/chernova/tv/index.html Теория вероятностей]: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 160 с.<br /> # Гнеденко Б. В. Курс теории вероятностей. 8-е изд., испр. и доп.—М.: Едиториал УРСС, 2005.— 448 с. <br /> # Чернова Н. И. [http://www.nsu.ru/mmf/tvims/chernova/ms/index.html Математическая статистика]: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 148 с.<br /> <br /> == Дополнительная ==<br /> # Некруткин В.В. Распределения одномерных случайных величин. [http://statmod.ru/wiki/_media/books:vv:comments_one_dim_distributions_2013_1.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Распределения случайных векторов [http://statmod.ru/wiki/_media/books:vv:comments_multidim_distributions_2013.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Математические ожидания [http://statmod.ru/wiki/_media/books:vv:comments_expectation_2014.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Think Stats: Probability and Statistics for Programmers [http://greenteapress.com/thinkstats/thinkstats.pdf PDF]<br /> <br /> <br /> [[Category:5 курс. Весна 2015]]</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A1%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_2015&diff=5350 2015-02-13T09:19:48Z

<p>Korobeynikov: </p> <hr /> <div>= Предварительная программа =<br /> == Фрагменты теории вероятностей ==<br /> # Геометрическая вероятность. Пример (множество Витали). Непрерывная вероятность.<br /> # Базовые вещи: пространство элементарных исходов, сигма-алгебра (для галочки), вероятность. <br /> # Случайная величина. Распределение случайной величины. Плотность. Функция распределения. Свойства.<br /> # Распределения случайных векторов. Плотность. Ф.р. <br /> # Независимость случайных величин<br /> # Преобразования с.в. - сумма, произведение. Смеси. Формула полной вероятности.<br /> # Классические распределения<br /> # Среднее, дисперсия, корреляция, медиана. Свойства. <br /> # Сходимость распределений. Почти наверное, по вероятности, слабая (по распределению). Связь. Примеры.<br /> # ЗБЧ, ЦПТ<br /> <br /> == Элементарная статистика ==<br /> # Понятие выборки. Эмпирическое распределение<br /> # Понятие характеристик. Эмпирические и генеральные характеристики<br /> # Оценки. Свойства. Понятия несмещенности, состоятельности. Способы построения оценок: метод подстановки (моментов), метод максимум правдоподобия <br /> # Доверительные интервалы. Понятие. Примеры: доверительные интервалы для среднего и дисперсии в нормальной модели, асимптотические доверительные интервалы исходя из ЦПТ<br /> # Проверка гипотез<br /> <br /> == Домашние задания по практике ==<br /> * К.р. по статистике [[Файл:work_stat.pdf]]<br /> <br /> == Результаты и итоги ==<br /> <br /> = Литература=<br /> == Основная ==<br /> # Чернова Н. И. Теория вероятностей: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 160 с.<br /> # Гнеденко Б. В. Курс теории вероятностей. 8-е изд., испр. и доп.—М.: Едиториал УРСС, 2005.— 448 с. <br /> # Чернова Н. И. Математическая статистика: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 148 с.<br /> <br /> == Дополнительная ==<br /> # Некруткин В.В. Распределения одномерных случайных величин. [http://statmod.ru/wiki/_media/books:vv:comments_one_dim_distributions_2013_1.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Распределения случайных векторов [http://statmod.ru/wiki/_media/books:vv:comments_multidim_distributions_2013.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Математические ожидания [http://statmod.ru/wiki/_media/books:vv:comments_expectation_2014.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Think Stats: Probability and Statistics for Programmers [http://greenteapress.com/thinkstats/thinkstats.pdf PDF]</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A1%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_2014&diff=5287 2015-01-30T16:07:18Z

<p>Korobeynikov: /* Фрагменты теории вероятностей */</p> <hr /> <div>= Предварительная программа =<br /> == Фрагменты теории вероятностей ==<br /> # Геометрическая вероятность. Пример (множество Витали). Непрерывная вероятность. ''(14.02.2014)''<br /> # Базовые вещи: пространство элементарных исходов, сигма-алгебра (для галочки), вероятность. ''(14.02.2014')'<br /> # Случайная величина. Распределение случайной величины. Плотность. Функция распределения. Свойства. ''(14.02.2014, 21.02.2014)''<br /> # Распределения случайных векторов. Плотность. Ф.р. ''(28.02.2014)''<br /> # Независимость случайных величин ''(28.02.2014)''<br /> # Преобразования с.в. - сумма, произведение. Смеси. Формула полной вероятности.<br /> # Классические распределения ''(21.02.2014)''<br /> # Среднее, дисперсия, корреляция, медиана. Свойства. ''(7.03.2014)''<br /> # Сходимость распределений. Почти наверное, по вероятности, слабая (по распределению). Связь. Примеры. ''(14.03.2014)''<br /> # ЗБЧ, ЦПТ ''(14.03.2014)''<br /> <br /> == Элементарная статистика ==<br /> # Понятие выборки. Эмпирическое распределение ''(21.03.2014)''<br /> # Понятие характеристик. Эмпирические и генеральные характеристики ''(21.03.2014)''<br /> # Оценки. Свойства. Понятия несмещенности, состоятельности. Способы построения оценок: метод подстановки (моментов), метод максимум правдоподобия ''(28.03.2014)''<br /> # Доверительные интервалы. Понятие. Примеры: доверительные интервалы для среднего и дисперсии в нормальной модели, асимптотические доверительные интервалы исходя из ЦПТ ''(11.04.2014)''<br /> # Проверка гипотез<br /> <br /> == Домашние задания по практике ==<br /> * '''21 февраля''' Комбинаторика, независимость, геометрическая вероятность. [[Файл:task21feb.pdf]]<br /> * '''28 февраля''' Независимость случайных величин, формула полной вероятности, формула Байеса. [[Файл:task28feb.pdf]]<br /> * '''7 марта''' Неперывная формула Байеса, матожидание, дисперсия, коварация, корреляция (файл обновлен, исправлены опечатки). [[Файл:task7mar.pdf]]<br /> * '''14 марта''' Сходимость, условные распределения, преобразования случайных величин (задание на дом и задачи для разбора на следующее занятие) [[Файл:task14mar.pdf]]<br /> * '''21 марта''' Преобразования случайных величин, метод Монте-Карло, характеристики с.в. (обновил файл, опечатка в последнем интеграле)[[Файл:task21mar.pdf]]<br /> * '''28 марта''' Оценки, свойства оценок [[Файл:task28mar.pdf]]<br /> * '''4 апреля''' К/р. [[Файл:work1.pdf]], Относительная эффективность оценок, робастность, порядковые статистики и оценки, связанные с ними, пример многомерного Монте-Карло интегрирования (в этот раз с подробным разбором нескольких важных задач) [[Файл:task4apr.pdf]]<br /> * '''11 апреля''' Доверительные интервалы [[Файл:task11apr.pdf]]<br /> * '''18 апреля''' Доверительные интервалы II (параметрическое и непрараметрическое оценивание квантилей, М-К доверительные интервалы) [[Файл:task18apr.pdf]]<br /> * Объявление и примеры задач для подготовки к К/Р. [[Файл:work_stat_examples.pdf]]<br /> * Конспект по проверке гипотез [[Файл:hyptest.pdf]]<br /> * К.р. по статистике [[Файл:work_stat.pdf]]<br /> <br /> == Результаты и итоги ==<br /> '''Цена задач:'''<br /> * Задача контрольной --- 2 балла<br /> * Задача по проге --- 1 балл<br /> * Задача по ДЗ --- 0.5 балла<br /> <br /> '''На зачет необходимо 22 балла'''<br /> <br /> '''Все, у кого есть 22 и более баллов, получают зачет автоматически и более могут ни о чем не волноваться'''<br /> <br /> У тех, кому баллов не хватает, есть две опции:<br /> # Прислать одну или несколько прогерских задач<br /> # Переписать в следующую пятницу одну или обе контрольных работы (при этом можно переписывать только незачтенные задачи)<br /> <br /> [https://www.dropbox.com/s/ewzsx3f29gd72fn/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.xlsx Итоги (xlsx-формат)]<br /> <br /> [https://www.dropbox.com/s/1qdunrev99i0gqm/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods Итоги (ods-формат)]<br /> <br /> = Литература=<br /> == Основная ==<br /> # Чернова Н. И. Теория вероятностей: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 160 с.<br /> # Гнеденко Б. В. Курс теории вероятностей. 8-е изд., испр. и доп.—М.: Едиториал УРСС, 2005.— 448 с. <br /> # Чернова Н. И. Математическая статистика: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 148 с.<br /> <br /> == Дополнительная ==<br /> # Некруткин В.В. Распределения одномерных случайных величин. [http://statmod.ru/wiki/_media/books:vv:comments_one_dim_distributions_2013_1.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Распределения случайных векторов [http://statmod.ru/wiki/_media/books:vv:comments_multidim_distributions_2013.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Математические ожидания [http://statmod.ru/wiki/_media/books:vv:comments_expectation_2014.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Think Stats: Probability and Statistics for Programmers [http://greenteapress.com/thinkstats/thinkstats.pdf PDF]</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A1%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D0%BA%D0%B0_2014&diff=5286 2015-01-30T16:06:46Z

<p>Korobeynikov: </p> <hr /> <div>= Предварительная программа =<br /> == Фрагменты теории вероятностей ==<br /> # Геометрическая вероятность. Множество Витали. Непрерывная вероятность. ''(14.02.2014)''<br /> # Базовые вещи: пространство элементарных исходов, сигма-алгебра, вероятность. ''(14.02.2014')'<br /> # Случайная величина. Распределение случайной величины. Плотность. Функция распределения. Свойства. ''(14.02.2014, 21.02.2014)''<br /> # Распределения случайных векторов. Плотность. Ф.р. ''(28.02.2014)''<br /> # Независимость случайных величин ''(28.02.2014)''<br /> # Преобразования с.в. - сумма, произведение. Смеси. Формула полной вероятности.<br /> # Классические распределения ''(21.02.2014)''<br /> # Среднее, дисперсия, корреляция, медиана. Свойства. ''(7.03.2014)''<br /> # Сходимость распределений. Почти наверное, по вероятности, слабая (по распределению). Связь. Примеры. ''(14.03.2014)''<br /> # ЗБЧ, ЦПТ ''(14.03.2014)''<br /> <br /> == Элементарная статистика ==<br /> # Понятие выборки. Эмпирическое распределение ''(21.03.2014)''<br /> # Понятие характеристик. Эмпирические и генеральные характеристики ''(21.03.2014)''<br /> # Оценки. Свойства. Понятия несмещенности, состоятельности. Способы построения оценок: метод подстановки (моментов), метод максимум правдоподобия ''(28.03.2014)''<br /> # Доверительные интервалы. Понятие. Примеры: доверительные интервалы для среднего и дисперсии в нормальной модели, асимптотические доверительные интервалы исходя из ЦПТ ''(11.04.2014)''<br /> # Проверка гипотез<br /> <br /> == Домашние задания по практике ==<br /> * '''21 февраля''' Комбинаторика, независимость, геометрическая вероятность. [[Файл:task21feb.pdf]]<br /> * '''28 февраля''' Независимость случайных величин, формула полной вероятности, формула Байеса. [[Файл:task28feb.pdf]]<br /> * '''7 марта''' Неперывная формула Байеса, матожидание, дисперсия, коварация, корреляция (файл обновлен, исправлены опечатки). [[Файл:task7mar.pdf]]<br /> * '''14 марта''' Сходимость, условные распределения, преобразования случайных величин (задание на дом и задачи для разбора на следующее занятие) [[Файл:task14mar.pdf]]<br /> * '''21 марта''' Преобразования случайных величин, метод Монте-Карло, характеристики с.в. (обновил файл, опечатка в последнем интеграле)[[Файл:task21mar.pdf]]<br /> * '''28 марта''' Оценки, свойства оценок [[Файл:task28mar.pdf]]<br /> * '''4 апреля''' К/р. [[Файл:work1.pdf]], Относительная эффективность оценок, робастность, порядковые статистики и оценки, связанные с ними, пример многомерного Монте-Карло интегрирования (в этот раз с подробным разбором нескольких важных задач) [[Файл:task4apr.pdf]]<br /> * '''11 апреля''' Доверительные интервалы [[Файл:task11apr.pdf]]<br /> * '''18 апреля''' Доверительные интервалы II (параметрическое и непрараметрическое оценивание квантилей, М-К доверительные интервалы) [[Файл:task18apr.pdf]]<br /> * Объявление и примеры задач для подготовки к К/Р. [[Файл:work_stat_examples.pdf]]<br /> * Конспект по проверке гипотез [[Файл:hyptest.pdf]]<br /> * К.р. по статистике [[Файл:work_stat.pdf]]<br /> <br /> == Результаты и итоги ==<br /> '''Цена задач:'''<br /> * Задача контрольной --- 2 балла<br /> * Задача по проге --- 1 балл<br /> * Задача по ДЗ --- 0.5 балла<br /> <br /> '''На зачет необходимо 22 балла'''<br /> <br /> '''Все, у кого есть 22 и более баллов, получают зачет автоматически и более могут ни о чем не волноваться'''<br /> <br /> У тех, кому баллов не хватает, есть две опции:<br /> # Прислать одну или несколько прогерских задач<br /> # Переписать в следующую пятницу одну или обе контрольных работы (при этом можно переписывать только незачтенные задачи)<br /> <br /> [https://www.dropbox.com/s/ewzsx3f29gd72fn/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.xlsx Итоги (xlsx-формат)]<br /> <br /> [https://www.dropbox.com/s/1qdunrev99i0gqm/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods Итоги (ods-формат)]<br /> <br /> = Литература=<br /> == Основная ==<br /> # Чернова Н. И. Теория вероятностей: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 160 с.<br /> # Гнеденко Б. В. Курс теории вероятностей. 8-е изд., испр. и доп.—М.: Едиториал УРСС, 2005.— 448 с. <br /> # Чернова Н. И. Математическая статистика: Учеб. пособие / Новосиб. гос. ун-т. Новосибирск, 2007. 148 с.<br /> <br /> == Дополнительная ==<br /> # Некруткин В.В. Распределения одномерных случайных величин. [http://statmod.ru/wiki/_media/books:vv:comments_one_dim_distributions_2013_1.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Распределения случайных векторов [http://statmod.ru/wiki/_media/books:vv:comments_multidim_distributions_2013.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Некруткин В.В. Математические ожидания [http://statmod.ru/wiki/_media/books:vv:comments_expectation_2014.pdf?id=books%3Avv&amp;cache=cache PDF]<br /> # Think Stats: Probability and Statistics for Programmers [http://greenteapress.com/thinkstats/thinkstats.pdf PDF]</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=5280 2015-01-22T13:14:31Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.10)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). ''(21.11)'' [[Файл:SL-08-ModelSelection.pdf]] <br /> # Support vector machines ''(28.11)'' [[Файл:SL-09-SVM.pdf]]<br /> # Деревья. ''(05.12, 12.12)'' [[Файл:SL-10-Trees.pdf]]<br /> # Нелинейности [[Файл:SL-11-Nonlinear.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> # Задание с 28 ноября [[Файл:Task6.pdf]], данные [[Файл:data28nov.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> ----<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Аманов, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Атамась, Обедин, Лучихин, Афанасьев *<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> ----<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=5279 2015-01-22T13:04:13Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.10)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). ''(21.11)'' [[Файл:SL-08-ModelSelection.pdf]] <br /> # Support vector machines ''(28.11)'' [[Файл:SL-09-SVM.pdf]]<br /> # Деревья. ''(05.12, 12.12)'' [[Файл:SL-10-Trees.pdf]]<br /> # Нелинейности [[Файл:SL-11-Nonlinear.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> # Задание с 28 ноября [[Файл:Task6.pdf]], данные [[Файл:data28nov.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> ----<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Атамась, Обедин, Лучихин, Афанасьев *<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> ----<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=5278 2015-01-22T12:44:00Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.10)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). ''(21.11)'' [[Файл:SL-08-ModelSelection.pdf]] <br /> # Support vector machines ''(28.11)'' [[Файл:SL-09-SVM.pdf]]<br /> # Деревья. ''(05.12, 12.12)'' [[Файл:SL-10-Trees.pdf]]<br /> # Нелинейности [[Файл:SL-11-Nonlinear.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> # Задание с 28 ноября [[Файл:Task6.pdf]], данные [[Файл:data28nov.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> ----<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Атамась, Обедин, Лучихин, Афанасьев *<br /> ----<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=5219 2014-12-29T04:57:58Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.10)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). ''(21.11)'' [[Файл:SL-08-ModelSelection.pdf]] <br /> # Support vector machines ''(28.11)'' [[Файл:SL-09-SVM.pdf]]<br /> # Деревья. ''(05.12, 12.12)'' [[Файл:SL-10-Trees.pdf]]<br /> # Нелинейности [[Файл:SL-11-Nonlinear.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> # Задание с 28 ноября [[Файл:Task6.pdf]], данные [[Файл:data28nov.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Атамась, Обедин, Лучихин, Афанасьев *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:SL-11-Nonlinear.pdf&diff=5128 2014-12-12T14:45:32Z

<p>Korobeynikov: </p> <hr /> <div></div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=5127 2014-12-12T14:45:06Z

<p>Korobeynikov: /* Прочитанные лекции */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.10)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). ''(21.11)'' [[Файл:SL-08-ModelSelection.pdf]] <br /> # Support vector machines ''(28.11)'' [[Файл:SL-09-SVM.pdf]]<br /> # Деревья. ''(05.12, 12.12)'' [[Файл:SL-10-Trees.pdf]]<br /> # Нелинейности [[Файл:SL-11-Nonlinear.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> # Задание с 28 октября [[Файл:Task6.pdf]], данные [[Файл:data28nov.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Атамась, Обедин, Лучихин, Афанасьев *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=5059 2014-12-05T15:51:51Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.10)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). ''(21.11)'' [[Файл:SL-08-ModelSelection.pdf]] <br /> # Support vector machines ''(28.11)'' [[Файл:SL-09-SVM.pdf]]<br /> # Деревья.' '(05.12)'' [[Файл:SL-10-Trees.pdf]] <br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> # Задание с 28 октября [[Файл:Task6.pdf]], данные [[Файл:data28nov.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Атамась, Обедин, Лучихин, Афанасьев *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:SL-10-Trees.pdf&diff=5058 2014-12-05T15:50:40Z

<p>Korobeynikov: </p> <hr /> <div></div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=5049 2014-12-04T21:55:31Z

<p>Korobeynikov: /* Прочитанные лекции */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.10)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). [[Файл:SL-08-ModelSelection.pdf]] ''(21.11)''<br /> # Support vector machines [[Файл:SL-09-SVM.pdf]] ''(28.11)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> # Задание с 28 октября [[Файл:Task6.pdf]], данные [[Файл:data28nov.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Атамась, Обедин, Лучихин, Афанасьев *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=5048 2014-12-04T21:54:13Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.11)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). [[Файл:SL-08-ModelSelection.pdf]]<br /> # Support vector machines [[Файл:SL-09-SVM.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> # Задание с 28 октября [[Файл:Task6.pdf]], данные [[Файл:data28nov.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Атамась, Обедин, Лучихин, Афанасьев *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:SL-09-SVM.pdf&diff=5047 2014-12-04T21:53:28Z

<p>Korobeynikov: </p> <hr /> <div></div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4980 2014-11-28T20:55:03Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.11)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). [[Файл:SL-08-ModelSelection.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Атамась, Обедин, Лучихин, Афанасьев *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4920 2014-11-24T09:49:51Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.11)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). [[Файл:SL-08-ModelSelection.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Атамась, Обедин, Лучихин *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:SL-08-ModelSelection.pdf&diff=4895 2014-11-21T13:36:12Z

<p>Korobeynikov: </p> <hr /> <div></div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:08-ModelSelection.pdf&diff=4894 2014-11-21T13:35:37Z

<p>Korobeynikov: </p> <hr /> <div></div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4893 2014-11-21T13:35:16Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.11)'' [[Файл:SL-07-Clustering.pdf]]<br /> # Снова о подборе линейной модели. Best subset selection. Forward / backward selection. AIC, BIC, Adjusted RSS, Mallow's C_p. Регуляризация (ridge regression, LASSO). [[Файл:SL-08-ModelSelection.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4782 2014-11-08T08:18:43Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.11)'' [[Файл:SL-07-Clustering.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов *<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> *<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4621 2014-11-04T21:04:45Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.11)'' [[Файл:SL-07-Clustering.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков *<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Тураев М., Аманов, Афанасьев,<br /> * Атамась, Обедин, Лучихин<br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4620 2014-11-04T21:03:38Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> # Feature extraction: Principal Component Analysis. ''(24.10)'' [[Файл:SL-06-PCA.pdf]]<br /> # Кластеризация (k-means, иерархическая, model based clustering) ''(31.11)'' [[Файл:SL-07-Clustering.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> <br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> # Задание с 24 октября [[Файл:Task5.pdf]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова *<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина, Жирков Игорь *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Тураев М., Аманов, Афанасьев,<br /> * Атамась, Обедин, Лучихин<br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4461 2014-10-23T22:59:57Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Resampling: Кросс-валидация. Бутстреп. ''(17.10)'' [[Файл:SL-05-CVBoot.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Тураев М., Аманов, Афанасьев,<br /> * Атамась, Обедин, Лучихин<br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:SL-05-CVBoot.pdf&diff=4460 2014-10-23T22:59:39Z

<p>Korobeynikov: </p> <hr /> <div></div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4459 2014-10-23T22:58:16Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина *<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Тураев М., Аманов, Афанасьев,<br /> * Атамась, Обедин, Лучихин<br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4458 2014-10-23T22:56:50Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков *<br /> * Тураев М., Аманов, Афанасьев,<br /> * Атамась, Обедин, Лучихин<br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4457 2014-10-23T22:56:05Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> # Задание с 17 октября (обновил файл, добавил комментарий) [[Файл:Task4.pdf]], данные из демонстрации [[Файл:data17oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег *<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина *<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков<br /> * Тураев М., Аманов, Афанасьев,<br /> * Атамась, Обедин, Лучихин<br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4377 2014-10-17T19:06:16Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков<br /> * Тураев М., Аманов, Афанасьев,<br /> * Атамась, Обедин, Лучихин<br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4373 2014-10-17T12:10:44Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат *<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков<br /> * Тураев М., Аманов, Афанасьев, Лучихин<br /> * Атамась, Обедин, Бубнов<br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4370 2014-10-17T09:48:27Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат<br /> <br /> ----<br /> * Коваленко, Ворончихин, Овчинников, Цветков<br /> * Тураев М., Аманов, Афанасьев, Лучихин<br /> * Атамась, Обедин, Бубнов<br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4369 2014-10-17T09:46:01Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> Результаты проверки заочных домашних заданий: [https://www.dropbox.com/s/xt4s5qa5xrnpp92/%D0%98%D1%82%D0%BE%D0%B3%D0%B8.ods?dl=0 Dropbox]<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> # Задание с 10 октября [[Файл:Task3.pdf]], данные для задания [[Файл:data10oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат<br /> <br /> ----<br /> <br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4236 2014-10-10T12:19:39Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)'' [[Файл:SL-04-Classification.pdf]]<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes. ''(10.10)'' [[Файл:SL-04-Classification.pdf]]<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина<br /> * Гайдай Игорь, Карташов Никита, Новокрещенов Константин, Хабибуллин Марат<br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:SL-04-Classification.pdf&diff=4235 2014-10-10T12:18:45Z

<p>Korobeynikov: </p> <hr /> <div></div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4232 2014-10-10T09:52:06Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкова *<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * Антон Иванов, Гончарова Ирина<br /> <br /> * --- тема проекта выбрана и согласована<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4226 2014-10-09T21:56:07Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкову<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев, Денис Жарков<br /> * ...<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4221 2014-10-09T12:20:17Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкову<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина<br /> * Андроник Ордиян, Аркадий Калакуцкий, Богдан Бугаев<br /> * ...<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4198 2014-10-08T08:57:13Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкову<br /> * Комаров Александр, Крыщенко Антон, Тураев Тимур, Устюжанина Екатерина<br /> * ...<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4177 2014-10-07T13:05:11Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * Павел Авдеев, Татьяна Малыгина, Анна Лиознова, Надия Ситдыкову<br /> * ...<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4176 2014-10-07T11:04:25Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]]<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Конспект [[Файл:Rcourse.pdf]] (черновик). Будет обновляться. Внутри все листинги и результат выполнения + какие-то комментарии.<br /> <br /> # Сырая версия history от 5 и 19 сентября (выложил в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]. Домашнее задание [[Файл:task_19sep.pdf]]<br /> # Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> # Задание с 3 октября [[Файл:Task2.pdf]], данные для задания [[Файл:data3oct.tar.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * Екатерина Старостина, Дмитрий Мелешко, Маргарита Аксешина, Елена Бушманова.<br /> * ...<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4116 2014-10-03T15:03:46Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]] Домашнее задание [[Файл:task_19sep.pdf]] (j(обновил файл, добавил новое задание-вопрос с лекции)<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Сырая версия history от 5 и 19 сентября (скоро выложу в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]<br /> Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * Бондарев Тимофей, Демидов Герман, Сидоров Святослав, Яснев Олег<br /> * ...<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4110 2014-10-03T13:26:37Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]] Домашнее задание [[Файл:task_19sep.pdf]] (j(обновил файл, добавил новое задание-вопрос с лекции)<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Сырая версия history от 5 и 19 сентября (скоро выложу в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]<br /> Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов<br /> * ...<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4109 2014-10-03T13:26:26Z

<p>Korobeynikov: /* Группы по проектам */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]] Домашнее задание [[Файл:task_19sep.pdf]] (j(обновил файл, добавил новое задание-вопрос с лекции)<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Сырая версия history от 5 и 19 сентября (скоро выложу в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]<br /> Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> * Герман Демидов.<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4108 2014-10-03T13:25:52Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]] Домашнее задание [[Файл:task_19sep.pdf]] (j(обновил файл, добавил новое задание-вопрос с лекции)<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> # Классификация. Линейные методы. Логистическая регрессия. ''(03.10)''<br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Сырая версия history от 5 и 19 сентября (скоро выложу в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]<br /> Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> <br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4104 2014-10-03T07:36:53Z

<p>Korobeynikov: /* Дедлайны */</p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]] Домашнее задание [[Файл:task_19sep.pdf]] (j(обновил файл, добавил новое задание-вопрос с лекции)<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Линейные методы. Логистическая регрессия. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Сырая версия history от 5 и 19 сентября (скоро выложу в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]<br /> Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> <br /> = Дедлайны =<br /> * 10 октября - деление на группы по проектам<br /> * 24 октября - финализация темы проекта<br /> * TBA - презентации проектов<br /> <br /> = Группы по проектам =<br /> <br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4103 2014-10-03T07:36:20Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]] Домашнее задание [[Файл:task_19sep.pdf]] (j(обновил файл, добавил новое задание-вопрос с лекции)<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Линейные методы. Логистическая регрессия. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Сырая версия history от 5 и 19 сентября (скоро выложу в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]<br /> Листинг для несостоявшегося занятия 26 сентября (будем с ним работать + еще немного) [[Файл:hist26sep.R.gz]]<br /> <br /> = Дедлайны =<br /> # 10 октября - деление на группы по проектам<br /> # 24 октября - финализация темы проекта<br /> <br /> = Группы по проектам =<br /> <br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=StatisticalLearning_2014&diff=4025 2014-09-29T16:50:45Z

<p>Korobeynikov: </p> <hr /> <div>= Программа =<br /> <br /> == Прочитанные лекции ==<br /> # Введение. Что такое statistical learning. Примеры. ''(05.09)'' [[Файл:SL-01-SLIntro.pdf]]<br /> # И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. ''(19.09)'' [[Файл:SL-02-Regression.pdf]] Домашнее задание [[Файл:task_19sep.pdf]] (j(обновил файл, добавил новое задание-вопрос с лекции)<br /> # Категориальные переменные в регрессии. Выбор информативных признаков (немного). ''(26.09)'' [[Файл:SL-03-Regression.pdf]] [[Файл:SL-Advertising.zip]] <br /> <br /> == Возможные темы будущих лекций ==<br /> <br /> # Регрессия. Выбросы, гетероскедастичность, high leverage points.<br /> # Классификация. Линейные методы. Логистическая регрессия. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.<br /> # Resampling: Кросс-валидация. Бутстреп.<br /> # Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.<br /> # Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.<br /> # Деревья. Bagging. Boosting.<br /> # Support vector machines<br /> # Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.<br /> <br /> = Материалы с практик =<br /> Сырая версия history от 5 и 19 сентября (скоро выложу в виде отформатированного конспекта) [[Файл:hist5sep.R.gz]] [[Файл:hist19sep.R.gz]]<br /> <br /> = Результаты и итоги =<br /> <br /> = Литература=<br /> == Основная ==<br /> # Hadley Wickham: &quot;Advanced R&quot; [http://adv-r.had.co.nz/] - Достаточно краткое, но исчерпывающее руководство от очень известного R-гуру, автора множества пакетов<br /> # Patrick Burns: &quot;The R Inferno&quot; [http://www.burns-stat.com/documents/books/the-r-inferno/] - &quot;Ад R&quot;, потенциальные ошибки при программировании на R и способы их избежать. Рекомендуется к чтению после некоторого опыта в R<br /> # Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani: &quot;An Introduction to Statistical Learning (with Applications in R)&quot; [http://www-bcf.usc.edu/~gareth/ISL/] - ISL, введение в SL с примерами, основное пособие курса<br /> # Trevor Hastie, Robert Tibshirani, Jerome Friedman: &quot;The Elements of Statistical Learning&quot;[http://statweb.stanford.edu/~tibs/ElemStatLearn/] - ESL, для тех, кому предыдущая книга покажется недостаточно подробной и глубокой. Больше теории и шире охват, но гораздо сложнее и нет примеров кода<br /> <br /> == Дополнительная ==<br /> # [http://ggplot2.org/] - Сайт lattice<br /> # Sarkar, Deepayan: &quot;Lattice. Multivariate Data Visualization with R&quot; [http://www.springer.com/978-0-387-75968-5] - Исчерпывающий обзор графической системы &quot;lattice&quot; с примерами использования<br /> # [http://lattice.r-forge.r-project.org/] - Сайт ggplot2<br /> # Winston Chang: &quot;R Graphics Cookbook&quot; [http://amzn.com/1449316956?tag=ggplot2-20] - Введение в ggplot и рецепты<br /> # Hadley Wickham: &quot;ggplot2: Elegant Graphics for Data Analysis&quot; [http://amzn.com/0387981403?tag=ggplot2-20] - Книга от создателя ggplot, для тех, кто хочет разобраться с внутренним устройством пакета и проектировать собственные графики<br /> # Q. Ethan McCallum, Stephen Weston: &quot;Parallel R. Data Analysis in the Distributed World &quot; [http://shop.oreilly.com/product/0636920021421.do] - Книга содержит исчерпывающую информацию о параллельном программировании на R (включая кластеры и облака)</div>

Korobeynikov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:SL-Advertising.zip&diff=4024 2014-09-29T16:50:29Z

<p>Korobeynikov: </p> <hr /> <div></div>

Korobeynikov