Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-18 — различия между версиями
Материал из Wiki - Факультет компьютерных наук
Igtm (обсуждение | вклад) (→Расписание семинаров) |
Igtm (обсуждение | вклад) (→Расписание семинаров) |
||
| Строка 78: | Строка 78: | ||
[http://nbviewer.jupyter.org/urls/dl.dropbox.com/s/70gqz2jvm0z1cl7/KNN.ipynb KNN_notebook ] | [http://nbviewer.jupyter.org/urls/dl.dropbox.com/s/70gqz2jvm0z1cl7/KNN.ipynb KNN_notebook ] | ||
|- | |- | ||
| − | |7 июня 2016 || align="center"| | + | |7 июня 2016 || align="center"|18 || Поиск ассоциативных правил. Алгоритм APriori|| |
[http://nbviewer.jupyter.org/urls/dl.dropbox.com/s/m2glg69zfh06xwh/associative%20rules.ipynb notebook], | [http://nbviewer.jupyter.org/urls/dl.dropbox.com/s/m2glg69zfh06xwh/associative%20rules.ipynb notebook], | ||
[https://www.dropbox.com/s/xgulaxel6364hew/responses.csv?dl=0 данные], | [https://www.dropbox.com/s/xgulaxel6364hew/responses.csv?dl=0 данные], | ||
Версия 17:38, 7 июня 2016
Общая информация
|
Выставление оценки
- На семинарах по некоторым темам будут проводиться проверочные работы.
- Также за курс будут выданы несколько практических заданий, которые будут оцениваться по десятибалльной шкале. На выполнение каждого практического задание будет даваться 2 недели. Штраф за просрочку сдачи составляет 0.2 балла в день.
- Оценка за работу в семестре будет ставиться исходя из набранных баллов.
- В конце семестра разрешается переписать одну пропущенную по любой причине проверочную работу. Также разрешается переписать все проверочные, пропущенные по уважительной причине.
- Результаты работ ИАД - 18
Расписание семинаров
| Дата | № занятия | Занятие | Материалы |
|---|---|---|---|
| 12 января 2016 | 1 | Вводный семинар. Обсуждение основных понятий анализа данных. | |
| 19 января 2016 | 2 | Python для анализа данных. NumPy. | ipython notebook с семинара |
| 26 января 2016 | 3 | Python для анализа данных. Pandas. Matplotlib. | |
| 02 февраля 2016 | 4 | Решение задач. | |
| 09 февраля 2016 | 5 | Градиентный спуск. Линейная регрессия. | |
| 16 февраля 2016 | 6 | Градиентный спуск. | |
| 01 марта 2016 | 7 | Градиентный спуск. Понятия Ridge и Lasso регрессии. | |
| 15 марта 2016 | 8 | Теория вероятностей. Решение задач на формулу полной вероятности и формулу Байеса. | |
| 15 марта 2016 | 9 | Консультация. Ridge и Lasso регрессии. | |
| 22 марта 2016 | 10 | Линейные алгоритмы классификации. Логистическая регрессия. | |
| 5 апреля 2016 | 11 | Подготовка к коллоквиуму. | |
| 19 апреля 2016 | 12 | Решающие деревья. | |
| 26 апреля 2016 | 13 | Пример работы с реальными данными (разбор проекта). | |
| 10 мая 2016 | 14 | Случайные леса (Random Forest). Метод главных компонент (PCA). | |
| 17 мая 2016 | 15 | Кластеризация. | |
| 24 мая 2016 | 16 | Решение задачик с hackerrank.com | |
| 31 мая 2016 | 17 | Метрические алгоритмы. Метод ближайших соседей. | |
| 7 июня 2016 | 18 | Поиск ассоциативных правил. Алгоритм APriori |
Практические задания
Практическое задание №1 "Изучение Numpy, Pandas, Matplotlib"
Практическое задание №2 "Методы линейной регрессии"
Проект. Начало. (student-mat.csv, student-por.csv)
Практическое задание №3 "DecisionTree"
