Машинное обучение 2017 — различия между версиями
Материал из SEWiki
Ekaterina (обсуждение | вклад) (→Результаты) |
Ekaterina (обсуждение | вклад) (→Результаты) |
||
| Строка 12: | Строка 12: | ||
== Результаты == | == Результаты == | ||
[https://docs.google.com/spreadsheets/d/1VaKxuDH1Otwuwcjc2JtFTfrwrmJ5man8e7ccCJA4jKU/edit?usp=sharing Результаты] | [https://docs.google.com/spreadsheets/d/1VaKxuDH1Otwuwcjc2JtFTfrwrmJ5man8e7ccCJA4jKU/edit?usp=sharing Результаты] | ||
| + | <br/> | ||
| + | |||
| + | 12 опросов по 5 баллов в начале лекции. <br/> | ||
| + | 8 домашних заданий по 20 баллов при сдаче в первую неделю, 10 баллов при сдаче во вторую неделю.<br/> | ||
| + | Экзамен 180 баллов | ||
| + | <br/><br/> | ||
| + | '''Оценки за курс''': 300 баллов -- отлично, 250 баллов -- хорошо, 200 баллов -- удовлетворительно | ||
== Дополнительные источники по машинному обучению == | == Дополнительные источники по машинному обучению == | ||
Версия 17:12, 8 февраля 2017
Лекции — Екатерина Тузова (kt@jetbrains.com)
Содержание
Лекции
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.
Летучки в начале лекции.
Результаты
12 опросов по 5 баллов в начале лекции.
8 домашних заданий по 20 баллов при сдаче в первую неделю, 10 баллов при сдаче во вторую неделю.
Экзамен 180 баллов
Оценки за курс: 300 баллов -- отлично, 250 баллов -- хорошо, 200 баллов -- удовлетворительно
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/
- Примеры реализации алгоритмов на Python: Программируем коллективный разум
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)
