Автоматизация научных исследований в машинном обучении (практика, В.В. Стрижов)/ФУПМ, осень 2019
Материал из MachineLearning.
(Различия между версиями)
(→Занятие 1 (6-11 сентября)) |
(→Занятие 1 (6-11 сентября)) |
||
Строка 19: | Строка 19: | ||
## Нарисовать график прогноза (оформление: [[JMLDA/Fig|пример 1]], [https://colab.research.google.com/drive/1Mv4CCAn7iRqs1BUR9zlQlu2lFqqpndST пример 2]). | ## Нарисовать график прогноза (оформление: [[JMLDA/Fig|пример 1]], [https://colab.research.google.com/drive/1Mv4CCAn7iRqs1BUR9zlQlu2lFqqpndST пример 2]). | ||
## Нарисовать дисперсию прогноза ([https://nbviewer.jupyter.org/github/Intelligent-Systems-Phystech/StartCode/blob/master/Kachkov2018LateProblem2/LateProblem2.ipynb пример полосы]). Дисперсия в каждом значении зависимой переменной вычисляется путем случайного семплирования обучающей выборки, выборка разбивается несколько раз. | ## Нарисовать дисперсию прогноза ([https://nbviewer.jupyter.org/github/Intelligent-Systems-Phystech/StartCode/blob/master/Kachkov2018LateProblem2/LateProblem2.ipynb пример полосы]). Дисперсия в каждом значении зависимой переменной вычисляется путем случайного семплирования обучающей выборки, выборка разбивается несколько раз. | ||
- | + | ## Дополнительно*: предложить способ порождения новых (признаков) моделей. | |
'''Анкета''' | '''Анкета''' | ||
* Ссылка будет доступна в субботу вечером. | * Ссылка будет доступна в субботу вечером. |
Версия 15:03, 6 сентября 2019
Материалы по курсу находятся на основной странице
|
Занятие 1 (6-11 сентября)
- Подготовка инструментов: выполнить (или проверить, что владеете инструментом),
- пункты 1, 2, 4, 6, 7, 9, 11, 12 ,13 ДЗ-1 из основной страницы,
- пункты 4, 5 ДЗ-2.
- Получить доступ к https://github.com/Intelligent-Systems-Phystech/
- В папке 2019-StartCode создать папку ДЗ Surname2019Linear и файл main.ipynb
- В тетради кратко указать название и цель эксперимента.
- Загрузить выборку
- Построить несколько моделей (пример).
- Нарисовать график прогноза (оформление: пример 1, пример 2).
- Нарисовать дисперсию прогноза (пример полосы). Дисперсия в каждом значении зависимой переменной вычисляется путем случайного семплирования обучающей выборки, выборка разбивается несколько раз.
- Дополнительно*: предложить способ порождения новых (признаков) моделей.
Анкета
- Ссылка будет доступна в субботу вечером.
Материалы
Советы по пользованию репозиторием
- GitHub: клонируйте мастер и заливайте правки в него, если работаете только со своим кодом. См. краткое руководство по работе с GitHub.
- Update first, Commit after (Pull first, Push after)
- Your own work only, no external publications
- No big files (put link to external datasets)
- No temporary nor dummy files
Прочитать, чем отличается branch от fork