Машинное обучение 2017 — различия между версиями
Ekaterina (обсуждение | вклад) |
|||
| Строка 26: | Строка 26: | ||
В лекции использовано [https://en.wikipedia.org/wiki/Singular_value_decomposition#Reduced_SVDs "экономное"(усечённое) сингулярное разложение] <br/> | В лекции использовано [https://en.wikipedia.org/wiki/Singular_value_decomposition#Reduced_SVDs "экономное"(усечённое) сингулярное разложение] <br/> | ||
Размер матрицы V (l x n). Для неквадратных матриц условие ортогональности раздельное по строкам и столбцам. Таким образом из условия V^T V = I не следует что V V^T = I (см [https://en.wikipedia.org/wiki/Orthogonal_matrix#Rectangular_matrices здесь]) | Размер матрицы V (l x n). Для неквадратных матриц условие ортогональности раздельное по строкам и столбцам. Таким образом из условия V^T V = I не следует что V V^T = I (см [https://en.wikipedia.org/wiki/Orthogonal_matrix#Rectangular_matrices здесь]) | ||
| − | + | ||
== Конспекты лекций == | == Конспекты лекций == | ||
| Строка 45: | Строка 45: | ||
Конспект ведут Надежда Бугакова, Анастасия Гайдашенко, Александра Малышева и Ольга Черникова. <br/> | Конспект ведут Надежда Бугакова, Анастасия Гайдашенко, Александра Малышева и Ольга Черникова. <br/> | ||
Комментарии и правки приветствуются.<br/> | Комментарии и правки приветствуются.<br/> | ||
| + | --> | ||
== Домашние задания. == | == Домашние задания. == | ||
Версия 12:43, 2 февраля 2018
Лекции — Екатерина Тузова (kt@jetbrains.com)
Содержание
Лекции
1. 15 февраля, "Введение"
2. 22 февраля, "Метрические классификаторы"
3. 1 марта, "Кластеризация"
4. 15 марта, "Деревья принятия решений"
5. 22 марта, "Байесовские методы классификации"
6. 29 марта, "Перцептрон"
7. 5 апреля, "Способность к обобщению"
8. 12 апреля, "Нейронные сети"
9. 19 апреля, "Метод опорных векторов"
10. 26 апреля, "Линейная регрессия"
11. 3 мая, "Анализ смещения и разброса"
12. 10 мая, "Методы восстановления регрессии"
13. 17 мая, "Ансамбли"
Вопросы к экзамену.
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. Соседи и вино
Дедлайн (20 баллов): 03.03.17 23:59
Дедлайн (10 баллов): 10.03.17 23:59
Условие — Домашнее задание 1
2. Comic-Con и k-means
Дедлайн (20 баллов): 10.03.17 23:59
Дедлайн (10 баллов): 17.03.17 23:59
Условие — Домашнее задание 2
3. Одеревенеть от страха
Дедлайн (20 баллов): 23.03.17 23:59
Дедлайн (10 баллов): 30.03.17 23:59
Условие — Домашнее задание 3
4. Байес на страже SMS
Дедлайн (20 баллов): 30.03.17 23:59
Дедлайн (10 баллов): 06.04.17 23:59
Условие — Домашнее задание 4
5. Индейцы пима и линейный классификатор
Дедлайн (20 баллов): 13.04.17 23:59
Дедлайн (10 баллов): 20.04.17 23:59
Условие — Домашнее задание 5
6. Каракули и нейросети
Дедлайн (20 баллов): 20.04.17 23:59
Дедлайн (10 баллов): 27.04.17 23:59
Условие — Домашнее задание 6
7. Ядра SVM
Дедлайн (20 баллов): 27.04.17 23:59
Дедлайн (10 баллов): 04.05.17 23:59
Условие — Домашнее задание 7
8. Недвижимость и регрессия
Дедлайн (20 баллов): 11.05.17 23:59
Дедлайн (10 баллов): 18.05.17 23:59
Условие — Домашнее задание 8
Летучки в начале лекции.
22 февраля
1 марта
15 марта
22 марта
29 марта
5 апреля
12 апреля
19 апреля
26 апреля
3 мая
10 мая
17 мая
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
- Christopher M. Bishop "Pattern Recognition and Machine Learning"
- G. James, D. Witten, T. Hastie, R. Tibshirani: "An Introduction to Statistical Learning"
- Kevin P. Murphy "Machine Learning: A Probabilistic Perspective"
- Professor Yaser Abu-Mostafa MOOC
- К.В. Воронцов: MOOC, материалы (в т.ч. пособие)
- Andrew Ng http://ml-class.org/
- Примеры реализации алгоритмов на Python: Программируем коллективный разум
- Ullman, Leskovec, Rajaraman "Mining of Massive Datasets"
