Машинное обучение в экономике 2023-2024
Материал из Wiki - Факультет компьютерных наук
Версия от 18:11, 22 декабря 2023; Potanin (обсуждение | вклад)
Содержание
- 1 Дисклеймер
- 2 Неделя 1. Байесовский классификатор и его модификации
- 3 Неделя 2. Решающие деревья
- 4 Неделя 3. Метод ближайших соседей
- 5 Неделя 4. Логистическая регрессия и метод опорных векторов
- 6 Неделя 5. Нейронные сети
- 7 Неделя 6. Градиентный бустинг и что-то еще
- 8 Неделя 7. Что-то еще интересное, может быть рекомендационные системы
- 9 Неделя 8. Что-то про связь эконометрики и машинного обучения
- 10 Список литературы
Дисклеймер
Материалы данной страницы являются предварительными и могут содержать существенные неточности
Неделя 1. Байесовский классификатор и его модификации
Основные материалы
Рекомендуемая литература
1. FOML глава 6.
2. MLPP глава 10.
Неделя 2. Решающие деревья
Основные материалы
Рекомендуемая литература
1. FOML глава 4.
2. MLPP глава 16.
Неделя 3. Метод ближайших соседей
Основные материалы
Рекомендуемая литература
1. FOML глава 5.
Неделя 4. Логистическая регрессия и метод опорных векторов
Основные материалы
Рекомендуемая литература
1. FOML глава 7.
2. MLPP главы 8 и 14.5.
Неделя 5. Нейронные сети
Неделя 6. Градиентный бустинг и что-то еще
Неделя 7. Что-то еще интересное, может быть рекомендационные системы
Неделя 8. Что-то про связь эконометрики и машинного обучения
Список литературы
- FOML -- Fundamentals of machine learning for predicting data analytics. John D. Kelleher, Brian Mac Namee, Aoife D'Arcy. Низкая сложность
- MLPP -- Machine learning a probabilistic perspective. Kevin P. Murphy. Высокая сложность
