Машинное обучение 2018 — различия между версиями

Версия 11:40, 10 марта 2018

Лекции -- Екатерина Тузова (kt@jetbrains.com)
Домашние задания -- machine.teaching@gmail.com

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: 320 баллов -- отлично, 280 баллов -- хорошо, 240 баллов -- удовлетворительно

Лекции

1. 12 февраля, "Введение"
2. 19 февраля, "Метрические классификаторы"
3. 26 февраля, "Кластеризация"
4. 5 марта, "Деревья принятия решений"
5. 12 марта, "Байесовские методы классификации"

Домашние задания.

1. Соседи и вино
Дедлайн (20 баллов): 26.02.18 23:59
Дедлайн (10 баллов): 05.03.18 23:59

Условие — Домашнее задание 1

2. Comic-Con и k-means
Дедлайн (20 баллов): 5.03.18 23:59
Дедлайн (10 баллов): 12.03.18 23:59

Условие — Домашнее задание 2

3. Одеревенеть от страха
Дедлайн (20 баллов): 12.03.18 23:59
Дедлайн (10 баллов): 19.03.18 23:59

Условие — Домашнее задание 3

Исходники лекций

https://github.com/ktisha/ML2018

Результаты

Результаты

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"

Дополнительные источники по Python

• "Python Numpy Tutorial"
• "Python for Data Analysis"
• "Scientific Python"
• "Learning IPython for Interactive Computing and Data Visualization"
• "Визуализация в Python"
• "Scikit-learn algorithm cheat-sheet"