Машинное обучение (В.В.Китов, РЭУ им.Плеханова)
Материал из MachineLearning.
(Различия между версиями)
(→Объявление) |
|||
| Строка 2: | Строка 2: | ||
{{TOCright}} | {{TOCright}} | ||
| - | Курс лаборатории искусственного интеллекта РЭУ им.Г.В.Плеханова 26,27 февраля и | + | 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: [[Участник:Victor Kitov|Виктор Китов]] | Лектор: [[Участник:Victor Kitov|Виктор Китов]] | ||
| Строка 8: | Строка 8: | ||
=Объявление= | =Объявление= | ||
| - | C 5,6 марта занятия перенесены на понедельник 4 марта и четверг 7 марта. | + | C 5,6 марта '''занятия перенесены на понедельник 4 марта и четверг 7 марта'''. |
=Программа курса= | =Программа курса= | ||
Версия 12:08, 28 февраля 2019
|
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.
Метод ближайших центроидов и K ближайших соседей.
Сложность моделей. Подготовка данных.
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
- Примеры для начинающих: краткое руководство с примерами по Python 2
- Python from scratch: A Crash Course in Python for Scientists
- Коллекция интересных IPython ноутбуков
- Лекции Scientific Python
- Книга: Wes McKinney «Python for Data Analysis»
- Официальный сайт
