Прикладной регрессионный анализ (курс лекций, B.В.Стрижов, 2009)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Практика)
Текущая версия (16:08, 20 сентября 2010) (править) (отменить)
 
Строка 1: Строка 1:
-
{{tip|Статья предназначена прежде всего для студентов группы 474, она будет наполняться в течение этого семестра.}}
+
#REDIRECT [[Прикладной регрессионный анализ (курс лекций, B.В. Стрижов)/Группа 474, осень 2009]]
-
 
+
-
{{TOCright}}
+
-
'''Московский физико-технический институт, Факультет управления и прикладной математики'''
+
-
 
+
-
Курс читается студентам 6-го курса кафедры "Интеллектуальные системы"
+
-
 
+
-
== История ==
+
-
Курс, особенно прикладная часть, изменяется ежегодно. См. материалы прошлых лет:
+
-
* [[Прикладной регрессионный анализ (курс лекций, B.В.Стрижов, 2008)]]
+
-
* [[Прикладная регрессия и оптимизация (курс лекций, B.В.Стрижов)]]
+
-
* [http://strijov.com/teaching/index.php Информационное моделирование, программа курса (осень 2007)]
+
-
* [http://strijov.com/teaching/article3.php Прикладная регрессия и оптимизация, программа курса (осень 2006)]
+
-
 
+
-
Также см. статьи в разделе
+
-
*[[:Категория:Регрессионный анализ|Регрессионный анализ]]
+
-
 
+
-
 
+
-
== Практика ==
+
-
{| class="wikitable"
+
-
| Создание библиотеки алгоритмов выбора линейных моделей
+
-
| Кирилл Чувилин, Екатерина Крымова
+
-
|-
+
-
| Создание библиотеки алгоритмов выбора нелинейных моделей
+
-
| Елена Ежова, Андрей Гущин
+
-
|-
+
-
| Построение системы порождения и выбора моделей
+
-
| Николай Разин, Александр Фрей
+
-
|-
+
-
| Создание библиотеки алгоритмов конструктивного порождения моделей
+
-
| Александр Фрей, Николай Разин
+
-
|-
+
-
| Создание алгоритмов последовательной модификации моделей
+
-
| Welcome!
+
-
|-
+
-
| Порождение и выбор авторегрессионных моделей
+
-
| Ирина Лебедева
+
-
|-
+
-
| Порождение и выбор моделей классификации
+
-
| Welcome!
+
-
|}
+
-
 
+
-
== Задания ==
+
-
# Зарегистрироваться в репозитории sourceforge и прислать свой ник на электронную почту Константину Скипору.
+
-
# Составить список участников и список рецензентов (по два рецензента на каждого участника).
+
-
# Ознакомиться со списоком материалов по практике.
+
-
# Ознакомиться с приемами работы в Matlabе.
+
-
# Изучить структуры данных Matlaba.
+
-
# Прочесть Matlab Style Guide.
+
-
# Получить алгебраическое выражение для инвертированного метода сортировки [http://strijov.com/sources/demo_indexation.php].
+
-
# Прочесть IDEF0.
+
-
# Прочесть CRISPWP-DM.
+
-
 
+
-
== Полезные ссылки ==
+
-
 
+
-
# [[Отчет о выполнении исследовательского проекта (практика, В.В. Стрижов)|Отчет о выполнении исследовательского проекта]]
+
-
# [[Численные методы обучения по прецедентам (практика, В.В. Стрижов)|Отчет о выполнении вычислительного эксперимента]]
+
-
# Примеры отчетов об экспериментах: [[Логистическая регрессия (пример)|пример 1]], [[EM-алгоритм с последовательным добавлением компонент (пример)|пример 2]]
+
-
# [[Matlab|Введение в Матлаб]]
+
-
# [[Документирование функций Matlab|Документирование функций Matlab]]
+
-
# [[Media: MatlabStyle1p5.pdf‎|Matlab Programming Style Guidelines (pdf)]]
+
-
# [[SourceForge|Работа с репозиторием SourceForge.net]]
+
-
# [https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/ Корневая папка репозитория SourceForge/mlalgorithms]
+
-
# [[Участник:Strijov/Протокол рецензирования программных систем|Протокол рецензирования программных систем (временная ссылка)]]
+
-
# [[Участник:Strijov/Шаблон отчета о выполнении исследовательского проекта|Шаблон отчета о выполнении исследовательского проекта (временная ссылка)]]
+
-
# [[Media: systemdocs.doc| Шаблон описания программной системы systemdocs.doc (doc)]]
+
-
# [[Media: P_50-IDEF0.pdf‎| Описание стандарта IDEF0 (pdf)]]
+
-
# [[Media: CRISPWP-0800.pdf‎| Описание стандарта CRISP-DM (pdf)]]
+
-
# [[Media: non_linear_regression_hyperparameters.pdf| Оценка гиперпараметров нелинейнных регрессионных моделей (pdf)]]
+
-
 
+
-
== Экзамен ==
+
-
* 19 января в 10:30 ауд. 355.
+
-
 
+
-
=== I. Теория===
+
-
 
+
-
# Регрессионный анализ, регрессионная модель, линейная регрессия, МНК, МГУА.
+
-
# Сингулярное разложение, метод главных компонент, регуляризация.
+
-
# Методы выбора линейных моделей Lasso, LARS, Optimal brain surgery.
+
-
# Построение интегральных индикаторов «без учителя» и «с учителем», согласование экспертных оценок в линейных и ранговых шкалах.
+
-
# Связанный Байесовский вывод, вычисление гиперпараметров.
+
-
# Аппроксимация Лапласа, нелинейная регрессия, метод Левенберга-Марквардта.
+
-
 
+
-
=== II. Практика===
+
-
 
+
-
# Стандарт IDEF0 в проектировании архитектур программных систем.
+
-
# Стандарт анализа данных CRISP-DM.
+
-
# Содержание отчета об исследовательском проекте.
+
-
# Организация вычислительного эксперимента и отчет.
+
-
# Основные структуры данных Matlab.
+
-
# Соглашение о документировании функций Matlab.
+
-
# Стилевые соглашения Matlab.
+
-
# Описание программной системы systemdocs.
+
-
 
+
-
=== III. Задачи===
+
-
 
+
-
# Индексное описание многослойного МГУА с выбором пар признаков на каждом слое.
+
-
# Постановка регрессионной задачи построения модели улыбки волатильности.
+
-
# Постановка регрессионной задачи прогнозирования временных рядов с выраженной периодикой.
+
-
# Дана выборка – множество пар измерений координат окружности, выполненных с некоторой случайной аддитивной ошибкой. Требуется методом наименьших квадратов найти центр и радиус этой окружности.
+
-
# Есть измерения координат границ плоских и объемных физических тел (несложной формы), сделанные с ошибкой. Предложить примеры моделирования форм этих тел с помощью методов линейной регрессии, поставить задачу.
+
-
# Показать, что согласованные оценки интегральных индикаторов и весов показателей, полученные линейным алгоритмом, существуют, единственны, удовлетворяют требованиям согласованности.
+
-
# Вывести оценку весов показателей гамма-согласования как минимум суммы квадратов расстояний между выставленной и вычисленной оценками в пространствах оценок интегральных индикаторов и весов показателей.
+
-
# Показать, что сингулярные числа матрицы— это длины осей эллипсоида, заданного линейным отображением векторов с Евклидовой длиной равной единице; показать, что первое сингулярное число матрицы — это ее Евклидова норма; показать, что число обусловленности матрицы <tex>A^TA</tex> есть квадрат числа обусловленности матрицы <tex>A</tex>.
+
-
 
+
-
 
+
-
[[Категория: Учебные курсы]]
+
-
[[Категория: Регрессионный анализ]]
+

Текущая версия

  1. REDIRECT Прикладной регрессионный анализ (курс лекций, B.В. Стрижов)/Группа 474, осень 2009
Личные инструменты