MachineLearning 2013 — различия между версиями

Версия 20:17, 12 марта 2013

Лектор - Степанов Михаил, Практика - Тяпочкин Константин

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 Лекции 3.

Лекции:

Домашние задания:

1)Задание 1,house_cost.txt - последний срок сдачи 23:59 27.03.2013.

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

@@ Строка 4: / Строка 4: @@
 == Лекции ==
 Слайды к лекции от 20.02, 27.02 [[Медиа:lecture_stepanov_1_2.pdf| Лекции 1,2]].
-Слайды к лекции от 06.03 [[Медиа:lecture_stepanov_3.pdf| Лекции 3]].
 Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]
+Слайды к лекции от 06.03 [[Медиа:lecture_stepanov_3.pdf| Лекции 3]].
 == Практические задания ==