MachineLearning 2013 — различия между версиями

Материал из SEWiki
Перейти к: навигация, поиск
(Лекции)
 
(не показано 10 промежуточных версий этого же участника)
Строка 6: Строка 6:
 
Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]
 
Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]
  
Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекции 3]].
+
Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].
 +
 
 +
Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].
 +
 
 +
Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 5]].
 +
 
 +
Слайды к лекции от 03.04 [[Медиа: Tyspochkin_lecture_6.pdf| Лекция 6]].
 +
 
 +
[[Медиа: kr_1.pdf|Самостоятельная работа 1]]
  
 
== Практические задания ==
 
== Практические задания ==
Строка 15: Строка 23:
 
[[Медиа:ml_practice2.pdf|Лекция 2]]
 
[[Медиа:ml_practice2.pdf|Лекция 2]]
  
Домашние задания:
+
[[Медиа:ml_practice3.pdf|Лекция 3]]
 +
 
 +
== Домашние задания: ==
 +
 
 +
Домашние задания можно присылать на Konstantin.Tyapochkin@emc.com В теме письма добавьте строку "spbau homework".
 +
 
 +
Результаты можно смотреть здесь [https://docs.google.com/spreadsheet/ccc?key=0AtL8IIKsBdYBdFQtdnJzU2xfUjJ5QjhLb3hkdVJtdFE]
 +
 
 +
1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.
  
1)[[Медиа:ml_practice_lab1.pdf|Задание 1]],[[Медиа:house_cost.txt.bz2|house_cost.txt]] - последний срок сдачи 23:59 27.03.2013.
+
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.
 +
Также, прошу обратить внимание на типы входных данных. Когда вместо необходимого data.frame в решении подразумевается матрица, гораздо сложнее проверять.
  
 
== Программа курса ==
 
== Программа курса ==

Текущая версия на 08:54, 10 апреля 2013

Лектор - Степанов Михаил, Практика - Тяпочкин Константин

Лекции

Слайды к лекции от 20.02, 27.02 Лекции 1,2. Материал, изложенный в лекции, так же доступен [1]

Слайды к лекции от 06.03 Лекция 3.

Слайды к лекции от 13.03 Лекция 4.

Слайды к лекции от 20.03 Лекция 5.

Слайды к лекции от 03.04 Лекция 6.

Самостоятельная работа 1

Практические задания

Лекции:

Лекция 1

Лекция 2

Лекция 3

Домашние задания:

Домашние задания можно присылать на Konstantin.Tyapochkin@emc.com В теме письма добавьте строку "spbau homework".

Результаты можно смотреть здесь [2]

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

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. Также, прошу обратить внимание на типы входных данных. Когда вместо необходимого data.frame в решении подразумевается матрица, гораздо сложнее проверять.

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[3]
  • Воронцов К.В., Машинное обучение (курс лекций)[4]
  • Бородин, Элементарный курс теории вероятностей и математической статистики
  • Julian J. Faraway, Linear models with R

Ссылки