Просмотр исходного текста страницы Машинное обучение 1/Группа 145 РС

== Общая информация ==

Время для консультаций (по предварительной договоренности):
* Среда 11:00 - 12:00, 13:30 - 14:30
* Пятница 11:00 - 12:00, 13:40 - 15:00
аудитория 623

Почта: alexeyum@gmail.com

== Семинары ==

Материалы для повторения см. на [http://wiki.cs.hse.ru/Машинное_обучение_1 главной странице курса]

=== Семинар 1 (09.09). Вводные понятия. Инструменты numpy, pandas, matplotlib. ===

Упражнения на дом:
* Сгенерируйте матрицу 5x5 со случайными числами от 0 до 1. Найдите индексы ячеек со значениями меньше 0.2.
* Создайте матрицу 5x5 с числами, такими, что в ячейке (i, j) стоит число i+j. В задаче нельзя использовать циклы.
* Постройте график функции exp(|2*x + 3|).
* Пусть x, y - два вектора. Найдите проекцию вектора x на вектор y.

=== Семинар 2 (16.09). Векторное дифференцирование. Знакомство с sklearn. ===

Дополнительные упражнения на темы прошлого семинара: [https://www.dropbox.com/s/6t9djpoapkspgkb/%D0%94%D0%BE%D0%BF.%20%D1%83%D0%BF%D1%80%D0%B0%D0%B6%D0%BD%D0%B5%D0%BD%D0%B8%D1%8F%20%D0%B4%D0%BB%D1%8F%20numpy%2C%20matplotlib%2C%20pandas.pdf?dl=0 упражнения], [https://www.dropbox.com/s/2ghqfsnn20fe2uk/titanic.csv?dl=0 titanic.csv]

=== Семинар 3 (23.09). Предобработка: категории, пропуски, нормализация. Минимизация функции потерь. ===

=== Семинары 4 и 5 (07.10 и 08.10). Линейная классификация. Метрики качества, ROC, PR, AUC. Валидация. SVM. ===

Упражнения на дом (в случае затруднений см. тетрадку семинара 4 на главной курса).
* Скачайте датасет для классификации спама: https://archive.ics.uci.edu/ml/machine-learning-databases/spambase/
* Разделите выборку на обучение и тест (sklearn.cross_validation.train_test_split)
* Обучите на нем логистическую регрессию (sklearn.linear_model.LogisticRegression), посчитайте различные метрики для вашего классификатора: правильность, точность, полноту (sklearn.metrics).
* Постройте ROC-кривую и PR-кривую для этого классификатора, посчитайте для них AUC-значения.
* Проделайте кросс-валидацию метода (sklearn.cross_validation.KFold)

=== Семинар 6 (14.10). Работа с текстом, TF-IDF, разреженные матрицы. ===

Упражнения на дом (в случае затруднений см. тетрадку семинара 6 на главной курса):
* Даны разреженные матрицы A и B в одном из трех форматов: COO, CSR, CSC. Какое время потребуется для их перемножения в зависимости от форматов? Какая пара форматов самая оптимальная?
* Дана разреженная матрица A и вектор z. Покажите, что если A представлена в формате CSR или CSC, то выражение Az можно вычислить эффективно.
* Загрузите [https://www.dropbox.com/s/18i7lqac9rr4pnx/banki_responses.json.bz2?dl=0 датасет] отзывов о работе банков. Обозначьте отзывы с оценками 4-5 как положительные и 1-3 как отрицательные. Приведите тексты к нижнему регистру, уберите все символы, кроме кириллицы, превратите тексты в признаки с помощью TF-IDF. Обучите линейную регрессию на этих данных.
* В предыдущем задании изучите, какие слова в наибольшей степени влияют на ответ.
* * Проведите стемминг текстов с помощью nltk.stem.snowball.RussianStemmer() и еще раз проведите классификацию. Сравните результаты.

=== Семинар 7 (21.10). Решающие деревья. Калибровка вероятности ===

Упражнения на дом (в случае затруднений см. тетрадку семинара 7 на главной курса):
* Покажите, что оценка качества разбиения с помощью максимального правдоподобия порождает энтропийный критерий для решающих деревьев.
(Вывод частично был на лекции, нужно провести все преобразования).
* Сгенерируйте набор точек на плоскости. Создайте из них датасет, где координаты точки являются ее признаками, а
модуль суммы координат - ответом.
* Обучите на них решающее дерево и изобразите его значения на точках плоскости.
* Исследуйте, как меняется дерево в зависимости от глубины.
* Исследуйте, как меняется дерево при изменении 10% выборки (5%, 1%).
* Загрузите стандартный датасет с ценами в Бостоне (sklearn.datasets.load_boston).
* Подберите с помощью кросс-валидации наилучшие параметры решающего дерева для него.