Спецкурс «Прикладные задачи анализа данных»

Материал из MachineLearning.

Версия от 15:45, 23 мая 2014; Dj (Обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)

Перейти к: навигация, поиск

Содержание

1 Объявление
2 Страницы курсов прошлых лет
3 Правила
4 Лекции
5 Аннотация
6 Отчётность
7 Ссылки
8 Ещё ссылки

Объявление

Данный курс стал победителем конкурса инновационных учебных технологий.

Спецкурс начал работу 16 сентября (понедельник) в 16:20 (5я пара).

Лектор: Дьяконов Александр

Важно! Для участия в спецкурсе необходимо было зарегистрироваться.

Сейчас регистрация уже закрыта.

Желающие прослушать спецкурс могут дождаться следующего года.

Страницы курсов прошлых лет

Спецкурс «Прикладные задачи анализа данных» (2013 год)

Основная цель: практика решения современных задач классификации, прогнозирования, регрессии, рекомендации и т.п., подготовка участников к соревнованиям на платформах Kaggle и Algomost.

Мероприятие проходит в двух режимах:

спецкурса – лекции о решении прикладных задач, обучение некоторым системам анализа данных (например R) и т.п.
спецсеминара – обсуждение решаемых задач, выработка общих стратегий, разделение работы в рамках участия в соревновании одной командой, мозговой штурм и т.п.

Важно: от участников потребуется выполнение нетривиальных практических заданий!

Правила

Рассылки материалов делаются только зарегистрированным слушателям курса (перечислены в таблице слушателей).
Слушатели, которые перестают делать домашние задания, удаляются из таблицы.

Лекции

Число	Лекция	Материалы, замечания
16.09.13	Решение задачи [The Big Data Combine Engineered by BattleFin] - прогноз цены на основе многомерного ряда и анонимизированных признаков. Загрузка данных, простые модели, линейная регрессия и случайный лес, сравнение R и MATLAB.	Домашнее задание: решить задачу (отчёт). Материалы см. в [ветке форума] соревнования.
07.10.13	Разбор первого домашнего задания. Искусство визуализации данных: признаки в задаче [bioresponse], оценка признаков и фолдов, деформация ответов, устойчивость закономерностей, профили лет (в прогнозировании вр.рядов), плотности, оценка качества признаков с помощью RF и удалений	Слайды и материалы высланы по почте участникам.
14.10.13	Продолжение Искусство визуализации данных: Результаты алгоритмов и их линейные комбинации, ручная деформация пространств, визуализация и сглаживание плотностей, построение профилей. Что надо знать о признаках. Визуализация по-вертикали и по-горизонтали. Шумы и шумовые признаки. Задачи [cause-effect-pairs], [GiveMeSomeCredit], [DarkWorlds]. Как начать решать второе домашнее задание.	Слайды и материалы высланы по почте участникам.
21.10.13	Вторая задача: мозговой штурм. Оценка среднего, оценка вероятности, оценка плотности. Весовые схемы. Задача [dunnhumby].	Слайды и материалы высланы по почте участникам.
28.10.13	Продолжение Оценка плотности. Весовые схемы. Задача [пробки].	Слайды и материалы высланы по почте участникам.
04.11.13	Праздничный день.
11.11.13	Напоминание: линейные классификаторы и линейная регрессия. Задачи: [JRS12], [NN5], [tourism2]. Мозговой штурм по задаче [see-click-predict-fix].	Слайды и материалы высланы по почте участникам.
18.11.13	Анализ текста: классификация и регрессия. Задачи: [spam]. Ежегодное соревнование [LSHTC].	Слайды и материалы высланы по почте участникам.
25.11.13	Продолжение: Анализ текста: классификация и регрессия. Задачи: [JRS12].	Слайды и материалы высланы по почте участникам.
02.12.13	Случайные леса: программирование, настройка, использование. Построение отдельных деревьев. Параметры стандартных пакетов. Области устойчивости функционалов. Способы генерации новых признаков. Разбор задачи [see-click-predict-fix]. Новая задача [wikimart].	Слайды и материалы высланы по почте участникам.
09.12.13	Продолжение: Случайные леса. Параметры градиентного бустинга. Настройка на нестандартные функционалы. Простые решения задач скоринга. Калибровка ответов алгоритмов. Сведение задач рекомендации к задачам регрессии. Задачи [bioresponse], [WhatDoYouKnow] (предсказывание правильности ответов на вопросы тестов).	Слайды и материалы высланы по почте участникам.
16.12.13	Весовые схемы kNN. Примитивные способы настройки линейных комбинаций алгоритмов на нестандартные функционалы качества. Эффективная технология решения задач с разнородными данными и нестандартными функционалами качества. Задачи [PhotoQualityPrediction] (определение качества фотографии по метаданным), [unimelb] (предсказывание успешности выполнения гранта), [VLNetChallenge] (рекомендация видеолекций для просмотра).
	Самостоятельное решение прикладных задач на [Кэгле].
17.03.14	Решение задач с категориальными (номинальными, факторными) признаками. Стандартные кодировки признаков, кодировки через факторные признпки (новые методы). Обобщения байесовских алгоритмов. Линейные алгоритмы над разреженными матрицами. SVD-разложение разреженных матриц. Многомерное SVD-разложение (тензоров). Обобщение алгоритмов, основанных на вычислении близости (kNN+АВО). Задача [Аmazon employee access] (разработка рекомендательной системы для службы безопасности).	Лекция выслана по почте участникам.