Машинное обучение 2017

Материал из SEWiki
Перейти к: навигация, поиск

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.

Летучки в начале лекции.

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

Дополнительные заметки

  • Mining of Massive Datasets (Ullman, Leskovec, Rajaraman) (в частности, разделы 3.4—3.8 про Locality-Sensitive Hashing, еще в книге много других интересных подходов для больших объемов данных, в т.ч. MapReduce, PageRank)

Дополнительные источники по Python