MachineLearning 2013 — различия между версиями

Версия 14:30, 6 марта 2013

Лектор - Степанов Михаил, Практика - Тяпочкин Константин

Слайды к лекции от 20.02, 27.02 Медиа:lecture_stepanov_1_2.pdf. Материал, изложенный в лекции так же доступен [1]

Лекции:

Домашние задания:

1)Задание 1,house_cost.txt - последний срок сдачи 23:59 27.03.2013.

Методы визуализации и анализа
Линейные модели
- Линейная регрессия
- Логистическая регрессия
- Обощенные линейные модели
- Регуляризация
Классификация
- Наивный байес
- Деревья принятия решений, случайный лес
- Нейронные сети и алгоритм обратного распространени¤ ошибок
- Метод опорных векторов (SVM)
- AdaBoost
Рекомендации по использованию алгоритмов машинного обучения
- Выбор модели
- Компромисc смещения-дисперсии (bias-variance trade-off)
- Кривая обучения
Кластеризация
- Метод к-средних(k-means)
- EM-алгоритм
- Иерархические методы
- Рекомендации по использованию методов кластеризации
Методы понижения размерности данных
- Метод главных компонент (PCA)
- Многомерное шкалирование
Методы поиска аномалий в данных
Рекомендательные системы
Методы работы с большими объемами данных с использованием MapReduce

@@ Строка 49: / Строка 49: @@
 *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]
 *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)]
+*Бородин, Элементарный курс теории вероятностей и математической статистики
+*Julian J. Faraway, Linear models with R
 == Ссылки ==