http://mit.spbau.ru/sewiki/api.php?action=feedcontributions&feedformat=atom&user=Mstepanov 2026-05-11T19:14:24Z Вклад участника MediaWiki 1.26.2 http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Tyspochkin_lecture_6.pdf&diff=2311 2013-04-10T05:55:18Z

<p>Mstepanov: </p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2310 2013-04-10T05:54:54Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> <br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> <br /> Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 5]].<br /> <br /> Слайды к лекции от 03.04 [[Медиа: Tyspochkin_lecture_6.pdf| Лекция 6]].<br /> <br /> [[Медиа: kr_1.pdf|Самостоятельная работа 1]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> [[Медиа:ml_practice3.pdf|Лекция 3]]<br /> <br /> == Домашние задания: ==<br /> <br /> Домашние задания можно присылать на Konstantin.Tyapochkin@emc.com В теме письма добавьте строку &quot;spbau homework&quot;.<br /> <br /> Результаты можно смотреть здесь [https://docs.google.com/spreadsheet/ccc?key=0AtL8IIKsBdYBdFQtdnJzU2xfUjJ5QjhLb3hkdVJtdFE]<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013. <br /> <br /> Уточнение: Для того, чтобы задание было полностью зачтено, необходимо в том числе решить одномерную задачу оптимизации для наискорейшего градиентного спуска аналитически и реализовать это аналитическое решение в коде соответствующей функции.<br /> Также, прошу обратить внимание на типы входных данных. Когда вместо необходимого data.frame в решении подразумевается матрица, гораздо сложнее проверять.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2309 2013-04-10T05:54:43Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> <br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> <br /> Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 5]].<br /> <br /> Слайды к лекции от 03.04 [[Медиа: Tyspochkin_lecture_6.pdf| Лекция 5]].<br /> <br /> [[Медиа: kr_1.pdf|Самостоятельная работа 1]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> [[Медиа:ml_practice3.pdf|Лекция 3]]<br /> <br /> == Домашние задания: ==<br /> <br /> Домашние задания можно присылать на Konstantin.Tyapochkin@emc.com В теме письма добавьте строку &quot;spbau homework&quot;.<br /> <br /> Результаты можно смотреть здесь [https://docs.google.com/spreadsheet/ccc?key=0AtL8IIKsBdYBdFQtdnJzU2xfUjJ5QjhLb3hkdVJtdFE]<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013. <br /> <br /> Уточнение: Для того, чтобы задание было полностью зачтено, необходимо в том числе решить одномерную задачу оптимизации для наискорейшего градиентного спуска аналитически и реализовать это аналитическое решение в коде соответствующей функции.<br /> Также, прошу обратить внимание на типы входных данных. Когда вместо необходимого data.frame в решении подразумевается матрица, гораздо сложнее проверять.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2293 2013-04-02T19:39:42Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> <br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> <br /> Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 5]].<br /> <br /> [[Медиа: kr_1.pdf|Самостоятельная работа 1]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> [[Медиа:ml_practice3.pdf|Лекция 3]]<br /> <br /> == Домашние задания: ==<br /> <br /> Домашние задания можно присылать на Konstantin.Tyapochkin@emc.com В теме письма добавьте строку &quot;spbau homework&quot;.<br /> <br /> Результаты можно смотреть здесь [https://docs.google.com/spreadsheet/ccc?key=0AtL8IIKsBdYBdFQtdnJzU2xfUjJ5QjhLb3hkdVJtdFE]<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013. <br /> <br /> Уточнение: Для того, чтобы задание было полностью зачтено, необходимо в том числе решить одномерную задачу оптимизации для наискорейшего градиентного спуска аналитически и реализовать это аналитическое решение в коде соответствующей функции.<br /> Также, прошу обратить внимание на типы входных данных. Когда вместо необходимого data.frame в решении подразумевается матрица, гораздо сложнее проверять.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Ml_practice3.pdf&diff=2292 2013-04-02T10:37:00Z

<p>Mstepanov: </p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2291 2013-04-02T10:36:39Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> <br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> <br /> Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 5]].<br /> <br /> [[Медиа: kr_1.pdf|Самостоятельная работа 1]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> [[Медиа:ml_practice3.pdf|Лекция 3]]<br /> <br /> == Домашние задания: ==<br /> <br /> Домашние задания можно присылать на Konstantin.Tyapochkin@emc.com В теме письма добавьте строку &quot;spbau homework&quot;.<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013. <br /> <br /> Уточнение: Для того, чтобы задание было полностью зачтено, необходимо в том числе решить одномерную задачу оптимизации для наискорейшего градиентного спуска аналитически и реализовать это аналитическое решение в коде соответствующей функции.<br /> Также, прошу обратить внимание на типы входных данных. Когда вместо необходимого data.frame в решении подразумевается матрица, гораздо сложнее проверять.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2272 2013-03-24T20:00:50Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> <br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> <br /> Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 5]].<br /> <br /> [[Медиа: kr_1.pdf|Самостоятельная работа 1]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> == Домашние задания: ==<br /> <br /> Домашние задания можно присылать на Konstantin.Tyapochkin@emc.com В теме письма добавьте строку &quot;spbau homework&quot;.<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013. <br /> <br /> Уточнение: Для того, чтобы задание было полностью зачтено, необходимо в том числе решить одномерную задачу оптимизации для наискорейшего градиентного спуска аналитически и реализовать это аналитическое решение в коде соответствующей функции.<br /> Также, прошу обратить внимание на типы входных данных. Когда вместо необходимого data.frame в решении подразумевается матрица, гораздо сложнее проверять.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2269 2013-03-21T15:06:21Z

<p>Mstepanov: /* Домашние задания: */</p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> <br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> <br /> Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 5]].<br /> <br /> [[Медиа: kr_1.pdf|Самостоятельная работа 1]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> == Домашние задания: ==<br /> <br /> Домашние задания можно присылать на Konstantin.Tyapochkin@emc.com В теме письма добавьте строку &quot;spbau homework&quot;.<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013. <br /> <br /> Уточнение: Для того, чтобы задание было полностью зачтено, необходимо в том числе решить одномерную задачу оптимизации для наискорейшего градиентного спуска аналитически и реализовать это аналитическое решение в коде соответствующей функции.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2268 2013-03-21T15:01:39Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> <br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> <br /> Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 5]].<br /> <br /> [[Медиа: kr_1.pdf|Самостоятельная работа 1]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> == Домашние задания: ==<br /> <br /> Домашние задания можно присылать на Konstantin.Tyapochkin@emc.com В теме письма добавьте строку &quot;spbau homework&quot;.<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013. <br /> <br /> Уточнение: Для того, чтобы задание было полностью зачтено, необходимо в том числе и решить одномерную задачу оптимизации для наискорейшего градиентного спуска аналитически.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2267 2013-03-20T17:34:26Z

<p>Mstepanov: /* Лекции */</p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> <br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> <br /> Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 5]].<br /> <br /> [[Медиа: kr_1.pdf|Самостоятельная работа 1]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2266 2013-03-20T17:34:11Z

<p>Mstepanov: /* Лекции */</p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> <br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> <br /> Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 4]].<br /> <br /> [[Медиа: kr_1.pdf|Самостоятельная работа 1]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Stepanov_lecture_5.pdf&diff=2265 2013-03-20T17:26:27Z

<p>Mstepanov: </p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2246 2013-03-12T20:27:22Z

<p>Mstepanov: /* Лекции */</p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> <br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> <br /> [[Медиа: kr_1.pdf|Самостоятельная работа 1]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Kr_1.pdf&diff=2245 2013-03-12T20:25:56Z

<p>Mstepanov: </p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2244 2013-03-12T20:25:29Z

<p>Mstepanov: /* Лекции */</p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].<br /> Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].<br /> Самостоятельная работа 1 13.03 [[Медиа: | ]]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Stepanov_lecture_4.pdf&diff=2243 2013-03-12T20:23:28Z

<p>Mstepanov: </p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2242 2013-03-12T17:18:00Z

<p>Mstepanov: /* Лекции */</p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекции 3]].<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2241 2013-03-12T17:17:35Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> <br /> Слайды к лекции от 06.03 [[Медиа:lecture_stepanov_3.pdf| Лекции 3]].<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2240 2013-03-12T17:17:01Z

<p>Mstepanov: /* Лекции */</p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> Слайды к лекции от 06.03 [[Медиа:lecture_stepanov_3.pdf| Лекции 3]].<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2239 2013-03-12T17:16:36Z

<p>Mstepanov: /* Лекции */</p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> Слайды к лекции от 06.03 [[Медиа:lecture_stepanov_3.pdf| Лекции 3]].<br /> <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Lecture_3.pdf&diff=2238 2013-03-12T17:15:35Z

<p>Mstepanov: загружена новая версия «Файл:Lecture 3.pdf»</p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Lecture_3.pdf&diff=2237 2013-03-12T17:08:11Z

<p>Mstepanov: </p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2236 2013-03-12T17:07:16Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]]. <br /> <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2229 2013-03-06T12:05:46Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. <br /> <br /> Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2228 2013-03-06T11:44:25Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2227 2013-03-06T11:39:42Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]] Для тех, кто хочет вспомнить/улучшить знания по теории вероятностей и статистике, предлагается книга &lt;ref&gt;Бородин, Элементарный курс теории вероятностей и математической статистики&lt;/ref&gt;.<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]] Дополнительный материал можно найти в книге <br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> &lt;references&gt;<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> &lt;ref name=&quot;borodin&quot;&gt;Бородин, Элементарный курс теории вероятностей и математической статистики&lt;/ref&gt;<br /> &lt;ref name=&quot;faraway&quot;&gt;Julian J. Faraway, Linear models with R&lt;/ref&gt;<br /> &lt;/references&gt;<br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2226 2013-03-06T11:37:37Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]] Для тех, кто хочет вспомнить/улучшить знания по теории вероятностей и статистике, предлагается книга &lt;ref&gt;Бородин, Элементарный курс теории вероятностей и математической статистики&lt;/ref&gt;.<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]] Дополнительный материал можно найти в книге <br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> <br /> == Ссылки ==<br /> <br /> == Примечания ==<br /> {{примечания}}</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2225 2013-03-06T11:36:45Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]] Для тех, кто хочет вспомнить/улучшить знания по теории вероятностей и статистике, предлагается книга &lt;ref&gt;Бородин, Элементарный курс теории вероятностей и математической статистики&lt;/ref&gt;.<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]] Дополнительный материал можно найти в книге <br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2224 2013-03-06T11:30:15Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> *Бородин, Элементарный курс теории вероятностей и математической статистики<br /> *Julian J. Faraway, Linear models with R<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:House_cost.txt.bz2&diff=2223 2013-03-06T11:26:17Z

<p>Mstepanov: </p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2222 2013-03-06T11:26:07Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2221 2013-03-06T11:24:47Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost|house_cost]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Ml_practice_lab1.pdf&diff=2220 2013-03-06T11:22:55Z

<p>Mstepanov: </p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2219 2013-03-06T11:22:42Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2218 2013-03-06T11:22:14Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> 1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2217 2013-03-06T11:18:31Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> [[Медиа:ml_practice_lab1.tar|Задание 1]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2216 2013-03-06T11:16:27Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> [[Медиа:ml_practice_lab1.zip|Задание 1]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2215 2013-03-06T11:15:47Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> [[Медиа:ml_practice_lab1.7z|Задание 1]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2214 2013-03-06T11:13:40Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> [[Медиа:ml_practice_lab1.zip|Задание 1]] - последний срок сдачи 23:59 27.03.2013.<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Ml_practice2.pdf&diff=2213 2013-03-06T11:09:09Z

<p>Mstepanov: </p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=%D0%A4%D0%B0%D0%B9%D0%BB:Ml_practice1.pdf&diff=2212 2013-03-06T11:06:30Z

<p>Mstepanov: </p> <hr /> <div></div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2211 2013-03-06T11:05:53Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция 1]]<br /> <br /> [[Медиа:ml_practice2.pdf|Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> [[Медиа:ml_practice_lab1.zip|Задание 1]]<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2210 2013-03-06T11:05:08Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Медиа:ml_practice1.pdf|Лекция1]]<br /> <br /> [[Медиа:ml_practice2.pdf]]<br /> <br /> Домашние задания:<br /> <br /> [[Файл:ml_practice_lab1.zip]]<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2209 2013-03-06T11:04:14Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Файл:ml_practice1.pdf| Лекция 1]]<br /> <br /> [[Файл:ml_practice2.pdf| Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> [[Файл:ml_practice_lab1.zip| Задание 1]]<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2208 2013-03-06T11:03:54Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Файл:ml_practice1.pdf Лекция 1]]<br /> <br /> [[Файл:ml_practice2.pdf Лекция 2]]<br /> <br /> Домашние задания:<br /> <br /> [[Файл:ml_practice_lab1.zip Задание 1]]<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2207 2013-03-06T11:01:43Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Файл:ml_practice1.pdf]]<br /> <br /> [[Файл:ml_practice2.pdf]]<br /> <br /> Домашние задания:<br /> <br /> [[Файл:ml_practice_lab1.zip]]<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2206 2013-03-06T10:58:58Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> <br /> [[Файл:lecture1.pdf]]<br /> <br /> [[Файл:lecture2.pdf]]<br /> <br /> Домашние задания:<br /> <br /> [[Файл:lab1.zip]]<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2205 2013-03-06T10:58:44Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> [[Файл:lecture1.pdf]]<br /> <br /> [[Файл:lecture2.pdf]]<br /> <br /> Домашние задания:<br /> <br /> [[Файл:lab1.zip]]<br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2204 2013-03-06T10:58:14Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил, <br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> Лекции:<br /> [[Файл:lecture1.pdf]]<br /> [[Файл:lecture1.pdf]]<br /> Домашние задания:<br /> [[Файл:lab1.zip]]<br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov http://mit.spbau.ru/sewiki/index.php?title=MachineLearning_2013&diff=2189 2013-02-27T11:03:07Z

<p>Mstepanov: </p> <hr /> <div>Лектор - Степанов Михаил<br /> Практика - Тяпочкин Константин<br /> <br /> == Лекции ==<br /> Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf]]. Материал, изложенный в лекции так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]<br /> <br /> == Практические задания ==<br /> <br /> <br /> == Программа курса ==<br /> *Методы визуализации и анализа<br /> *Линейные модели<br /> **Линейная регрессия<br /> **Логистическая регрессия<br /> **Обощенные линейные модели<br /> **Регуляризация<br /> *Классификация<br /> **Наивный байес<br /> **Деревья принятия решений, случайный лес <br /> **Нейронные сети и алгоритм обратного распространени¤ ошибок<br /> **Метод опорных векторов (SVM)<br /> **AdaBoost<br /> *Рекомендации по использованию алгоритмов машинного обучения<br /> **Выбор модели<br /> **Компромисc смещения-дисперсии (bias-variance trade-off)<br /> **Кривая обучения<br /> *Кластеризация<br /> **Метод к-средних(k-means)<br /> **EM-алгоритм<br /> **Иерархические методы<br /> **Рекомендации по использованию методов кластеризации<br /> *Методы понижения размерности данных<br /> **Метод главных компонент (PCA)<br /> **Многомерное шкалирование<br /> *Методы поиска аномалий в данных<br /> *Рекомендательные системы<br /> *Методы работы с большими объемами данных с использованием MapReduce<br /> <br /> == Список литературы ==<br /> *Christopher M. Bishop, Pattern Recognition and Machine Learning<br /> *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]<br /> *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)]<br /> <br /> <br /> == Ссылки ==</div>

Mstepanov