Машинное обучение (В.В.Китов, РЭУ им.Плеханова)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(→Метод ближайших центроидов и K ближайших соседей.)
(→Программа курса)
 
(5 промежуточных версий не показаны.)
Строка 28: Строка 28:
===Линейная регрессия и ее обобщения.===
===Линейная регрессия и ее обобщения.===
-
[https://yadi.sk/i/2F-eu4OYYjJkZw Презентация].
+
[https://yadi.sk/i/VmeCbQkHkJySPw Презентация].
 +
 
 +
===Линейная классификация.===
 +
[https://yadi.sk/i/ZowsQmOwMWVj5w Презентация].
 +
 
 +
===Обобщения методов через ядра Мерсера.===
 +
[https://yadi.sk/i/3UHvUMSZUiYYQA Презентация].
 +
 
 +
===Оценивание классификаторов.===
 +
[https://yadi.sk/i/RORMe8Bqn9BR9g Презентация].
 +
 
 +
===Решающие деревья.===
 +
[https://yadi.sk/i/FLDGOZDF_1NpCw Презентация].
 +
 
 +
===Ансамбли моделей.===
 +
[https://yadi.sk/i/XyRPisD1apivDw Презентация].
 +
 
 +
===Бустинг.===
 +
[https://yadi.sk/i/UP3nJ-2uiIVMUw Презентация].
=Дополнительные материалы=
=Дополнительные материалы=

Текущая версия

Содержание

Курс лаборатории искусственного интеллекта РЭУ им.Г.В.Плеханова 26,27 февраля и 4,7 марта 14-00-17-00 в ауд.413. Курс посвящен алгоритмам машинного обучения (machine learning), которые сами настраиваются на известных данных, выделяя их характерную структуру и взаимосвязи между ними, для их прогнозирования, анализа, компактного описания и визуализации. Основной акцент курса сделан на задачах предсказания дискретных величин (классификация) и непрерывных величин (регрессия), хотя в курсе также рассматриваются и другие задачи.

Лектор: Виктор Китов


Объявление

C 5,6 марта занятия перенесены на понедельник 4 марта и четверг 7 марта.

Программа курса

Введение в машинное обучение.

Презентация.

Метрические методы прогнозирования.

Презентация.

Сложность моделей. Подготовка данных.

Презентация.

Метрики близости.

Презентация.

Метод главных компонент.

Презентация.

Линейная регрессия и ее обобщения.

Презентация.

Линейная классификация.

Презентация.

Обобщения методов через ядра Мерсера.

Презентация.

Оценивание классификаторов.

Презентация.

Решающие деревья.

Презентация.

Ансамбли моделей.

Презентация.

Бустинг.

Презентация.

Дополнительные материалы

Основные библиотеки python для работы с данными

  • Базовая работа с матрицами и др. numpy.
  • Методы оптимизации и др. scipy.
  • Более удобная работа с матрицами pandas.
  • Визуализация bokeh, matplotlib.
  • Машинное обучение scikit-learn.
  • Глубинное обучение pytorch.

Изучение python

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%28%D0%92.%D0%92.%D0%9A%D0%B8%D1%82%D0%BE%D0%B2%2C_%D0%A0%D0%AD%D0%A3_%D0%B8%D0%BC.%D0%9F%D0%BB%D0%B5%D1%85%D0%B0%D0%BD%D0%BE%D0%B2%D0%B0%29»
Личные инструменты