StatisticalLearning 2014

Предварительная программа

Прочитанные лекции

1. Введение. Что такое statistical learning. Примеры. (05.09)

Возможная программа

1. И снова линейная регрессия. Оценивание. Проверка гипотез относительно коэффициентов. Доверительные интервалы для коэффициентов. Категориальные переменные в регрессии. Выбор информативных признаков (немного). Выбросы, гетероскедастичность, high leverage points.
2. Классификация. Линейные методы. Логистическая регрессия. Дискриминантный анализ. Понятие ROC-кривой, AUC. Naive Bayes.
3. Resampling: Кросс-валидация. Бутстреп.
4. Снова о подборе линейной модели. Регуляризация (ridge regression, LASSO, elastic net). Робастная регрессия.
5. Нелинейности. Полиномиальная регрессия. Сплайны. Локальная регрессия. GAM.
6. Деревья. Bagging. Boosting.
7. Support vector machines
8. Unsupervised learning: PCA, кластеризация (k-means, иерархическая), model based clustering.