Машинное обучение 2017

Лекции — Екатерина Тузова (kt@jetbrains.com)

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, "Функционалы качества"
8. 12 апреля, "Нейронные сети"
9. 19 апреля, "Метод опорных векторов"
10. 26 апреля, "Линейная регрессия"
11. 3 мая, "Анализ смещения и разброса"
12. 17 мая, "Методы восстановления регрессии"
13. 24 мая, "Ансамбли"

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.

Результаты

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"
• К.В. Воронцов: видеолекции 2014, материалы (в т.ч. пособие)
• Andrew Ng http://ml-class.org/
• Примеры реализации алгоритмов на Python: Программируем коллективный разум

Mining of Massive Datasets (Ullman, Leskovec, Rajaraman)

Дополнительные источники по Python

• "Python Numpy Tutorial"
• "Python for Data Analysis"
• "Scientific Python"
• "Learning IPython for Interactive Computing and Data Visualization"
• "Матрицы Numpy для пользователей Matlab/Octave"
• "Визуализация в Python"
• "Scikit-learn algorithm cheat-sheet"