Машинное обучение 2015 — различия между версиями

Версия 19:23, 16 апреля 2015

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"

Домашние задания.

Адрес, на который надо присылать решения -- machine.teaching@gmail.com.
В теме письма должно быть написано "Домашняя работа N Иванов", где вместо Иванов надо поставить свою фамилию, а вместо N -- номер домашней работы.

1. Метод наименьших квадратов.
Дедлайн (20 баллов): 18.02.15 23:59
Дедлайн (10 баллов): 25.02.15 23:59

Условие в файле readme по ссылке — Домашнее задание 1

2. Соседи и вино.
Дедлайн (20 баллов): 25.02.15 23:59
Дедлайн (10 баллов): 03.03.15 23:59

Условие — Домашнее задание 2

3. Рибосома и иерархическая кластеризация
Дедлайн (20 баллов): 05.03.15 23:59
Дедлайн (10 баллов): 12.03.15 23:59

Условие — Домашнее задание 3

4. Comic-Con и k-means
Дедлайн (20 баллов): 13.03.15 23:59
Дедлайн (10 баллов): 20.03.15 23:59

Условие — Домашнее задание 4

5. Индейцы пима, диабет и линейный классификатор
Дедлайн (20 баллов): 26.03.15 23:59
Дедлайн (10 баллов): 02.04.15 23:59

Условие — Домашнее задание 5

6. Ядра SVM
Дедлайн (20 баллов): 02.04.15 23:59
Дедлайн (10 баллов): 09.04.15 23:59

Условие — Домашнее задание 6

Летучки в начале лекции.

18 февраля
27 февраля
6 марта
13 марта
20 марта
27 марта
3 апреля
10 апреля

Результаты

Результаты

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/

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"