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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Программа курса)
(Программа курса)
 
(2 промежуточные версии не показаны)
Строка 35: Строка 35:
===Обобщения методов через ядра Мерсера.===
===Обобщения методов через ядра Мерсера.===
[https://yadi.sk/i/3UHvUMSZUiYYQA Презентация].
[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

Личные инструменты