MachineLearning 2013 — различия между версиями

Версия 23:25, 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 Лекция 3. Слайды к лекции от 13.03 Лекция 4. Самостоятельная работа 1 13.03 [[Медиа: | ]]

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 6: / Строка 6: @@
 Материал, изложенный в лекции, так же доступен [http://cs229.stanford.edu/notes/cs229-notes1.pdf]
-Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекции 3]].
+Слайды к лекции от 06.03 [[Медиа:lecture_3.pdf| Лекция 3]].
+Слайды к лекции от 13.03 [[Медиа: Stepanov_lecture_4.pdf| Лекция 4]].
+Самостоятельная работа 1 13.03 [[Медиа: | ]]
 == Практические задания ==