MachineLearning 2013 — различия между версиями

Материал из SEWiki
Перейти к: навигация, поиск
Строка 8: Строка 8:
 
Лекции:
 
Лекции:
  
[[Медиа:ml_practice1.pdf|Лекция 1]] Для тех, кто хочет вспомнить/улучшить знания по теории вероятностей и статистике, предлагается книга <ref>Бородин, Элементарный курс теории вероятностей и математической статистики</ref>.
+
[[Медиа:ml_practice1.pdf|Лекция 1]]
  
[[Медиа:ml_practice2.pdf|Лекция 2]] Дополнительный материал можно найти в книге
+
[[Медиа:ml_practice2.pdf|Лекция 2]]
  
 
Домашние задания:
 
Домашние задания:
Строка 46: Строка 46:
  
 
== Список литературы ==
 
== Список литературы ==
<references>
 
 
*Christopher M. Bishop, Pattern Recognition and Machine Learning
 
*Christopher M. Bishop, Pattern Recognition and Machine Learning
 
*Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html]
 
*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)]
 
*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)]
<ref name="borodin">Бородин, Элементарный курс теории вероятностей и математической статистики</ref>
+
*Бородин, Элементарный курс теории вероятностей и математической статистики
<ref name="faraway">Julian J. Faraway, Linear models with R</ref>
+
*Julian J. Faraway, Linear models with R
</references>
+
  
 
== Ссылки ==
 
== Ссылки ==

Версия 14:44, 6 марта 2013

Лектор - Степанов Михаил, Практика - Тяпочкин Константин

Лекции

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

Практические задания

Лекции:

Лекция 1

Лекция 2

Домашние задания:

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

Программа курса

  • 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

Список литературы

  • Christopher M. Bishop, Pattern Recognition and Machine Learning
  • Andrew Ng, Lecture notes, Machine Learning[2]
  • Воронцов К.В., Машинное обучение (курс лекций)[3]
  • Бородин, Элементарный курс теории вероятностей и математической статистики
  • Julian J. Faraway, Linear models with R

Ссылки