Машинное обучение 2015 — различия между версиями

Версия 16:59, 12 апреля 2017

Лекции — Екатерина Алексеевна Тузова (kt@jetbrains.com)

Лекции

1. 11 февраля, "Введение"
2. 18 февраля, "Метрические методы классификации"
3. 27 февраля, "Иерархическая кластеризация"
4. 6 марта, "Кластеризация. Графовые и статистические алгоритмы"
5. 13 марта, "Линейные классификаторы"
6. 20 марта, "Метод опорных векторов"
7. 27 марта, "Python и Numpy"
8. 3 апреля, "Деревья принятия решений"
9. 10 апреля, "Байесовские методы классификации"
10. 17 апреля, "EM-алгоритм"
11. 24 апреля, "Линейная регрессия"
12. 8 мая, "Нейронные сети"
13. 15 мая, "Разбор результатов контеста"

Результаты

Результаты

Форма отчетности -- зачет с оценкой.

Оценку можно получить за решение домашних заданий. Тест 60 баллов за простые вопросы и 2 вопроса по 15 баллов.

< 40 баллов = 3
40-60 баллов = 4
> 60 баллов = 5 -->

Дополнительные источники по машинному обучению

• G. James, D. Witten, T. Hastie, R. Tibshirani: "An Introduction to Statistical Learning"
• Christopher M. Bishop "Pattern Recognition and Machine Learning"
• Kevin P. Murphy "Machine Learning: A Probabilistic Perspective"
• К.В. Воронцов: видеолекции 2014, материалы (в т.ч. пособие)
• Andrew Ng http://ml-class.org/
• Примеры реализации алгоритмов на Python: Программируем коллективный разум

Дополнительные заметки

• Mining of Massive Datasets (Ullman, Leskovec, Rajaraman) (в частности, разделы 3.4—3.8 про Locality-Sensitive Hashing, еще в книге много других интересных подходов для больших объемов данных, в т.ч. MapReduce, PageRank)

Дополнительные источники по Python

• "Python Numpy Tutorial"
• "Python for Data Analysis"
• "Scientific Python"
• "Learning IPython for Interactive Computing and Data Visualization"
• "Матрицы Numpy для пользователей Matlab/Octave"
• "Визуализация в Python"
• "Scikit-learn algorithm cheat-sheet"