Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД-10, ИАД-15 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Семинары)
 
Строка 48: Строка 48:
 
| 13 || 31.05.2016 || Метод главных компонент. Кластеризация.|| [https://www.dropbox.com/sh/2sktwnt8098b48y/AADq_56Jz4bJw_wZk5Ghu_8da?dl=0 ДЗ №6], [https://www.dropbox.com/sh/tzqyzu1olvll3vl/AAD411131w6VUf2p-EFBqsbha?dl=0 Проект (2 часть)]
 
| 13 || 31.05.2016 || Метод главных компонент. Кластеризация.|| [https://www.dropbox.com/sh/2sktwnt8098b48y/AADq_56Jz4bJw_wZk5Ghu_8da?dl=0 ДЗ №6], [https://www.dropbox.com/sh/tzqyzu1olvll3vl/AAD411131w6VUf2p-EFBqsbha?dl=0 Проект (2 часть)]
 
|-
 
|-
| 14 || 07.06.2016 || Метод k ближайших соседей.||]
+
| 14 || 07.06.2016 || Метод k ближайших соседей.||
 
|}
 
|}

Текущая версия на 15:42, 7 июня 2016

Общая информация

Таблица с оценками по курсу

Материалы семинаров (dropbox)

e-mail курса:

  • hse.minor.dm+10@gmail.com (ИАД-10)
  • hse.minor.dm+15@gmail.com (ИАД-15)

Семинары

Дата Тема Домашнее задание
1 12.01.2016 Вводный семинар. Цель анализа данных.
2 19.01.2016 Модуль NumPy.
3 26.01.2016 Модули NumPy и Pandas. ДЗ №1
4 02.02.2016 Визуализация в Python. Метод градиентного спуска.
- 09.02.2016 Семинар не состоялся.
5 16.02.2016 Основы теории вероятностей. Генерация выборок из заданных распределений. ДЗ №2
6 01.03.2016 Метод максимального правдоподобия. Наивный байесовский классификатор.
7 15.03.2016 Визуализация в Python (часть 2). Линейная регрессия. ДЗ №3, Проект (1 часть)
- 22.03.2016 Семинар не состоялся
8 05.04.2016 Модуль scikit-learn. Линейная классификация.
- 12.04.2016 Семинар не состоялся из-за коллоквиума.
9 19.04.2016 Метрики качества классификации. Способы подбора гиперпараметров модели. ДЗ №4
10 26.04.2016 Решающие деревья.
11 10.05.2016 Решающие деревья. Случайные леса. ДЗ №5
- 17.05.2016 Семинар не состоялся.
12 24.05.2016 Методы понижения размерности.
13 31.05.2016 Метод главных компонент. Кластеризация. ДЗ №6, Проект (2 часть)
14 07.06.2016 Метод k ближайших соседей.