MachineLearning 2013 — различия между версиями
Материал из SEWiki
Mstepanov (обсуждение | вклад) |
Mstepanov (обсуждение | вклад) |
||
| Строка 46: | Строка 46: | ||
== Список литературы == | == Список литературы == | ||
| + | <references> | ||
*Christopher M. Bishop, Pattern Recognition and Machine Learning | *Christopher M. Bishop, Pattern Recognition and Machine Learning | ||
*Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html] | *Andrew Ng, Lecture notes, Machine Learning[http://cs229.stanford.edu/materials.html] | ||
*Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)] | *Воронцов К.В., Машинное обучение (курс лекций)[http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_(%D0%BA%D1%83%D1%80%D1%81_%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B9%2C_%D0%9A.%D0%92.%D0%92%D0%BE%D1%80%D0%BE%D0%BD%D1%86%D0%BE%D0%B2)] | ||
| − | + | <ref name="borodin">Бородин, Элементарный курс теории вероятностей и математической статистики</ref> | |
| − | + | <ref name="faraway">Julian J. Faraway, Linear models with R</ref> | |
| − | + | </references> | |
== Ссылки == | == Ссылки == | ||
| − | |||
| − | |||
| − | |||
Версия 14:39, 6 марта 2013
Лектор - Степанов Михаил, Практика - Тяпочкин Константин
Лекции
Слайды к лекции от 20.02, 27.02 Медиа:lecture_stepanov_1_2.pdf. Материал, изложенный в лекции так же доступен [1]
Практические задания
Лекции:
Лекция 1 Для тех, кто хочет вспомнить/улучшить знания по теории вероятностей и статистике, предлагается книга <ref>Бородин, Элементарный курс теории вероятностей и математической статистики</ref>.
Лекция 2 Дополнительный материал можно найти в книге
Домашние задания:
1)Задание 1,house_cost.txt - последний срок сдачи 23:59 27.03.2013.
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
<references>
- Christopher M. Bishop, Pattern Recognition and Machine Learning
- Andrew Ng, Lecture notes, Machine Learning[2]
- Воронцов К.В., Машинное обучение (курс лекций)[3]
<ref name="borodin">Бородин, Элементарный курс теории вероятностей и математической статистики</ref> <ref name="faraway">Julian J. Faraway, Linear models with R</ref> </references>
