Data analysis (Software Engineering)

Контакты: Виктор Китов v.v.kitov@yandex.ru

Обратная связь: написать комментарий или пожелание по курсу

Краткое описание

В курсе рассматриваются основные задачи анализа данных и обучения по прецедентам: классификация, кластеризация, регрессия, понижение размерности, ранжирование, коллаборативная фильрация. По изложению для каждой рассматриваемой задачи изучаются математические основы методов, лежащие в их основе предположения о данных, взаимосвязи методов между собой и особенности их практического применения.

Большое внимание уделено освоению практических навыков анализа данных, отрабатываемых на семинарах, которое будет вестись с использованием языка python и соответствующих библиотек для научных вычислений.

От студентов требуются знания линейной алгебры, математического анализа и теории вероятностей.

Программа курса

1. Introduction to machine learning.
2. K-nearest neighbours classification and regression. Extensions. Optimization techniques.
3. Decision tree methods.
4. Bayesian decision theory. Model evaluation:

• confusion matrix, accuaracy, ROC, AUC.

1. Linear classification methods. Adding regularization to linear methods.
2. Regression.
3. Kernel generalization of standard methods.
4. Neural networks.
5. Ensemble methods: bagging, boosting, etc.
6. Feature selection.

• based on correlation, mutual information, forward-stagewise, backward-stagewise, forward-backward, L1, tree-based importances.

1. Feature extraction

• PCA, SVD

1. EM algorithm. Density estimation using mixtures.
2. Clustering
3. Collaborative filtering
4. Ranking

Темы лекций

Лекция 1. Основные понятия и примеры прикладных задач.

Загрузить

Дополнительные материалы: The Field Guide to Data Science

Семинары

Семинар 1. Инструментарий Знакомство с языком Python. [ Лабораторная 1], [ данные].

Материал в помощь.