MachineLearning 2013 — различия между версиями
Mstepanov (обсуждение | вклад) |
Mstepanov (обсуждение | вклад) |
||
| (не показаны 2 промежуточные версии этого же участника) | |||
| Строка 11: | Строка 11: | ||
Слайды к лекции от 20.03 [[Медиа: Stepanov_lecture_5.pdf| Лекция 5]]. | 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]] | [[Медиа: kr_1.pdf|Самостоятельная работа 1]] | ||
| Строка 26: | Строка 28: | ||
Домашние задания можно присылать на Konstantin.Tyapochkin@emc.com В теме письма добавьте строку "spbau homework". | 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. | ||
Текущая версия на 08:54, 10 апреля 2013
Лектор - Степанов Михаил, Практика - Тяпочкин Константин
Содержание
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.
Практические задания
Лекции:
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
