Машинное обучение 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
Содержание
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"
6. 19 марта, "Линейные методы классификации"
7. 26 марта, "Способность к обобщению"
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
4. Байес на страже SMS
Дедлайн (20 баллов): 19.03.18 23:59
Дедлайн (10 баллов): 26.03.18 23:59
Условие — Домашнее задание 4
4. Индейцы пима и линейный классификатор
Дедлайн (20 баллов): 2.04.18 23:59
Дедлайн (10 баллов): 9.04.18 23:59
Условие — Домашнее задание 5
Исходники лекций
https://github.com/ktisha/ML2018
Результаты
Дополнительные материалы к лекциям
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"