http://wiki.cs.hse.ru/api.php?action=feedcontributions&user=Axelr&feedformat=atomWiki - Факультет компьютерных наук - Вклад участника [ru]2024-03-29T07:17:11ZВклад участникаMediaWiki 1.23.2http://wiki.cs.hse.ru/%D0%92%D0%B8%D0%B7%D1%83%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_%D1%80%D0%BE%D0%BA-%D0%BA%D1%80%D0%B8%D0%B2%D0%BE%D0%B9_(%D0%BB%D0%B5%D1%82%D0%BD%D1%8F%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0)Визуализация рок-кривой (летняя практика)2015-06-17T22:08:49Z<p>Axelr: </p>
<hr />
<div>{{Карточка_задания_на_летнюю_практику<br />
|name=Визуализация методов маш. обучения<br />
|mentor=Рогожников Алексей Михайлович<br />
|mentor_login={{URLENCODE:Старчикова Ольга|WIKI}}<br />
|organization=Лаборатория методов анализа больших данных (LAMBDA)<br />
|hse_profile=-<br />
|email=arogozhnikov@hse.ru<br />
|thesis=<br />
|year=2015<br />
|categorize=yes<br />
}}<br />
<br />
=== Задание ===<br />
Подготовить визуализации для алгоритмов машобучения и для рок-кривой (тоже активно используемой в машобучении).<br />
<br />
1. визуализация рок-кривой (движение распределений -> изменение рок-кривой)<br />
<br />
2. логистическая регрессия и линейный SVM - для них надо как минимум двумерную визуализацию решающего правила (с возможностью мышкой двигать правило), + надо иметь возможность переключаться в 3d-режим, чтобы по оси z была функция потерь, плюс стохастическое обучение - надо это проиллюстрировать. <br />
<br />
3. итеративное построение дерева с разными критериями разбиения<br />
<br />
=== Какие начальные требования? ===<br />
Иметь представление о 2d/3d визуализации. Приветствуется владение джаваскриптом.<br />
<br />
Изначального понимания визуализируемых алгоритмов не ожидается, однако с ними обязательно потребуется познакомиться.<br />
<br />
=== Какие будут использоваться технологии? ===<br />
1. html + javascript, <br />
2. фреймворк для визуализации (например, d3.js)<br />
<br />
=== Какая дополнительная литература понадобится? ===<br />
Необходимо прочитать про указанные алгоритмы машинного обучения. Например, на machinelearning.ru или из лекций: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_(курс_лекций%2C_К.В.Воронцов) или из любого другого источника.</div>Axelrhttp://wiki.cs.hse.ru/%D0%92%D0%B8%D0%B7%D1%83%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_%D1%80%D0%BE%D0%BA-%D0%BA%D1%80%D0%B8%D0%B2%D0%BE%D0%B9_(%D0%BB%D0%B5%D1%82%D0%BD%D1%8F%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0)Визуализация рок-кривой (летняя практика)2015-06-17T21:51:02Z<p>Axelr: </p>
<hr />
<div>{{Карточка_задания_на_летнюю_практику<br />
|name=Визуализация методов маш. обучения<br />
|mentor=Рогожников Алексей Михайлович<br />
|mentor_login={{URLENCODE:Старчикова Ольга|WIKI}}<br />
|organization=Лаборатория методов анализа больших данных (LAMBDA)<br />
|hse_profile=-<br />
|email=-<br />
|thesis=<br />
|year=2015<br />
|categorize=yes<br />
}}<br />
<br />
=== Задание ===<br />
Подготовить визуализации для алгоритмов машобучения и для рок-кривой (тоже активно используемой в машобучении).<br />
<br />
1. визуализация рок-кривой (движение распределений -> изменение рок-кривой)<br />
<br />
2. логистическая регрессия и линейный SVM - для них надо как минимум двумерную визуализацию решающего правила (с возможностью мышкой двигать правило), + надо иметь возможность переключаться в 3d-режим, чтобы по оси z была функция потерь, плюс стохастическое обучение - надо это проиллюстрировать. <br />
<br />
3. итеративное построение дерева с разными критериями разбиения<br />
<br />
=== Какие начальные требования? ===<br />
Иметь представление о 2d/3d визуализации. Приветствуется владение джаваскриптом.<br />
<br />
Изначального понимания визуализируемых алгоритмов не ожидается, однако с ними обязательно потребуется познакомиться.<br />
<br />
=== Какие будут использоваться технологии? ===<br />
1. html + javascript, <br />
2. фреймворк для визуализации (например, d3.js)<br />
<br />
=== Какая дополнительная литература понадобится? ===<br />
Необходимо прочитать про указанные алгоритмы машинного обучения. Например, на machinelearning.ru или из лекций: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_(курс_лекций%2C_К.В.Воронцов) или из любого другого источника.</div>Axelrhttp://wiki.cs.hse.ru/%D0%92%D0%B8%D0%B7%D1%83%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_%D1%80%D0%BE%D0%BA-%D0%BA%D1%80%D0%B8%D0%B2%D0%BE%D0%B9_(%D0%BB%D0%B5%D1%82%D0%BD%D1%8F%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0)Визуализация рок-кривой (летняя практика)2015-06-17T21:50:46Z<p>Axelr: </p>
<hr />
<div>{{Карточка_задания_на_летнюю_практику<br />
|name=Визуализация методов маш. обучения<br />
|mentor=Рогожников Алексей Михайлович<br />
|mentor_login={{URLENCODE:Старчикова Ольга|WIKI}}<br />
|organization=Лаборатория методов анализа больших данных (LAMBDA)<br />
|hse_profile=-<br />
|email=-<br />
|thesis=<br />
|year=2015<br />
|categorize=yes<br />
}}<br />
<br />
=== Задание ===<br />
Подготовить визуализации для алгоритмов машобучения и для рок-кривой (тоже активно используемой).<br />
<br />
1. визуализация рок-кривой (движение распределений -> изменение рок-кривой)<br />
<br />
2. логистическая регрессия и линейный SVM - для них надо как минимум двумерную визуализацию решающего правила (с возможностью мышкой двигать правило), + надо иметь возможность переключаться в 3d-режим, чтобы по оси z была функция потерь, плюс стохастическое обучение - надо это проиллюстрировать. <br />
<br />
3. итеративное построение дерева с разными критериями разбиения<br />
<br />
=== Какие начальные требования? ===<br />
Иметь представление о 2d/3d визуализации. Приветствуется владение джаваскриптом.<br />
<br />
Изначального понимания визуализируемых алгоритмов не ожидается, однако с ними обязательно потребуется познакомиться.<br />
<br />
=== Какие будут использоваться технологии? ===<br />
1. html + javascript, <br />
2. фреймворк для визуализации (например, d3.js)<br />
<br />
=== Какая дополнительная литература понадобится? ===<br />
Необходимо прочитать про указанные алгоритмы машинного обучения. Например, на machinelearning.ru или из лекций: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_(курс_лекций%2C_К.В.Воронцов) или из любого другого источника.</div>Axelrhttp://wiki.cs.hse.ru/%D0%90%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D0%B9_%D0%BF%D1%80%D0%BE%D0%BA%D1%81%D0%B8_%D0%B8%D0%B7_%D0%B4%D1%80%D1%83%D0%B3%D0%BE%D0%B3%D0%BE_%D1%8F%D0%B7%D1%8B%D0%BA%D0%B0_%D0%BA_Python_(%D0%BB%D0%B5%D1%82%D0%BD%D1%8F%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0)Автоматический прокси из другого языка к Python (летняя практика)2015-06-04T17:24:53Z<p>Axelr: </p>
<hr />
<div>{{Карточка_задания_на_летнюю_практику<br />
|name=автоматический прокси из другого языка к Python<br />
|mentor=Рогожников Алексей Михаилович<br />
|mentor_login={{URLENCODE:Katya|WIKI}}<br />
|organization=Лаборатория методов анализа больших данных (LAMBDA)<br />
|hse_profile=-<br />
|email=axelr@yandex-team.ru<br />
|thesis=<br />
|year=2015<br />
|categorize=yes<br />
}}<br />
<br />
=== Задание ===<br />
Разработать минималистичный автоматический прокси из другого языка к Python.<br />
<br />
Схема:<br />
# веб-сервер на питоне. Он умеет а) принимать json запросы и б) отдавать листинг доступных классов и информацию об их конструкторах (IPython, например, так работает) <br />
# ""клиент"" на другом языке, скажем, на R или Ruby. Ожидаемое поведение в другом языке:<br />
box = PythonProxy('http://гдесервер') <br />
clf = box.sklearn.ensemble.AdaBoostClassifier(base_estimator=box.sklearn.ensemble.GradientBoostingClassifier())<br />
clf.fit(X, y)<br />
<br />
В первой строке произошло подключение к серверу, выкачка данных о доступных классах (она может происходить лениво, как в IPython), во второй конструируется объект с использованием проксей к этим классам (использовались классы из библиотеки sklearn), в третьей вызывается метод, на сервер передается json-представление текущего объекта и параметры X,y. На сервере происходит обучение и возвращается обратно новый clf.<br />
На второй и третьей строках должно работать автодополнение (intellisense).<br />
<br />
=== Зачем это надо? ===<br />
Чтобы классификаторы, которые есть на питоне (или имеются питон-обертки), легко было использовать из других языков.<br />
<br />
=== Какие начальные требования? ===<br />
*знать python (знакомство с IPython желательно), <br />
*быть знакомым с R или Ruby или F#,<br />
*минимальный опыт работы с веб-сервисами.<br />
<br />
=== Какие будут использоваться технологии? ===<br />
*Python + второй язык<br />
*Понимание работы pickle<br />
*Веб-фреймворк (django, например)<br />
*Библиотека sklearn будет выступать в роли пробного камня.</div>Axelrhttp://wiki.cs.hse.ru/%D0%90%D0%B2%D1%82%D0%BE%D0%BC%D0%B0%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D0%B9_%D0%BF%D1%80%D0%BE%D0%BA%D1%81%D0%B8_%D0%B8%D0%B7_%D0%B4%D1%80%D1%83%D0%B3%D0%BE%D0%B3%D0%BE_%D1%8F%D0%B7%D1%8B%D0%BA%D0%B0_%D0%BA_Python_(%D0%BB%D0%B5%D1%82%D0%BD%D1%8F%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0)Автоматический прокси из другого языка к Python (летняя практика)2015-06-04T17:24:22Z<p>Axelr: </p>
<hr />
<div>{{Карточка_задания_на_летнюю_практику<br />
|name=автоматический прокси из другого языка к Python<br />
|mentor=Рогожников Алексей Михаилович<br />
|mentor_login={{URLENCODE:Katya|WIKI}}<br />
|organization=Лаборатория методов анализа больших данных (LAMBDA)<br />
|hse_profile=-<br />
|email=axelr@yandex-team.ru<br />
|thesis=<br />
|year=2015<br />
|categorize=yes<br />
}}<br />
<br />
=== Задание ===<br />
Разработать минималистичный автоматический прокси из другого языка к Python.<br />
<br />
Схема:<br />
# веб-сервер на питоне. Он умеет а) принимать json запросы и б) отдавать листинг доступных классов и информацию об их конструкторах (IPython, например, так работает) <br />
# ""клиент"" на другом языке, скажем, на R или Ruby. Ожидаемое поведение в другом языке:<br />
box = PythonProxy('http://гдесервер') <br />
clf = box.sklearn.ensemble.AdaBoostClassifier(base_estimator=box.sklearn.ensemble.GradientBoostingClassifier())<br />
clf.fit(X, y)<br />
<br />
В первой строке произошло подключение к серверу, выкачка данных о доступных классах (она может происходить лениво, как в IPython), во второй конструируется объект с использованием проксей к этим классам (использовались классы из библиотеки sklearn), в третьей вызывается метод, на сервер передается json-представление текущего объекта и параметры X,y. На сервере происходит обучение и возвращается обратно новый clf.<br />
На второй и третьей строках должно работать автодополнение (intellisense).<br />
<br />
Зачем это надо?<br />
Чтобы классификаторы, которые есть на питоне (или имеются питон-обертки), легко было использовать из других языков.<br />
<br />
=== Какие начальные требования? ===<br />
*знать python (знакомство с IPython желательно), <br />
*быть знакомым с R или Ruby или F#,<br />
*минимальный опыт работы с веб-сервисами.<br />
<br />
=== Какие будут использоваться технологии? ===<br />
*Python + второй язык<br />
*Понимание работы pickle<br />
*Веб-фреймворк (django, например)<br />
*Библиотека sklearn будет выступать в роли пробного камня.</div>Axelrhttp://wiki.cs.hse.ru/%D0%92%D0%B8%D0%B7%D1%83%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_%D1%80%D0%BE%D0%BA-%D0%BA%D1%80%D0%B8%D0%B2%D0%BE%D0%B9_(%D0%BB%D0%B5%D1%82%D0%BD%D1%8F%D1%8F_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0)Визуализация рок-кривой (летняя практика)2015-06-04T17:17:09Z<p>Axelr: </p>
<hr />
<div>{{Карточка_задания_на_летнюю_практику<br />
|name=Визуализация методов маш. обучения<br />
|mentor=Рогожников Алексей Михайлович<br />
|mentor_login={{URLENCODE:Старчикова Ольга|WIKI}}<br />
|organization=Лаборатория методов анализа больших данных (LAMBDA)<br />
|hse_profile=-<br />
|email=-<br />
|thesis=<br />
|year=2015<br />
|categorize=yes<br />
}}<br />
<br />
=== Задание ===<br />
<br />
1. визуализация рок-кривой (движение распределений -> изменение рок-кривой)<br />
<br />
2. логистическая регрессия и линейный SVM - для них надо как минимум двумерную визуализацию решающего правила (с возможностью мышкой двигать правило), + надо иметь возможность переключаться в 3d-режим, чтобы по оси z была функция потерь, плюс стохастическое обучение - надо это проиллюстрировать. <br />
<br />
3. итеративное построение дерева с разными критериями разбиения<br />
<br />
=== Какие начальные требования? ===<br />
Иметь представление о 2d/3d визуализации. Приветствуется владение джаваскриптом.<br />
<br />
Изначального понимания визуализируемых алгоритмов не ожидается, однако с ними обязательно потребуется познакомиться.<br />
<br />
=== Какие будут использоваться технологии? ===<br />
1. html + javascript, <br />
2. фреймворк для визуализации (например, d3.js)<br />
<br />
=== Какая дополнительная литература понадобится? ===<br />
Необходимо прочитать про указанные алгоритмы машинного обучения. Например, на machinelearning.ru или из лекций: http://www.machinelearning.ru/wiki/index.php?title=Машинное_обучение_(курс_лекций%2C_К.В.Воронцов) или из любого другого источника.</div>Axelr