Майнор Интеллектуальный анализ данных/Введение в анализ данных/ИАД 2 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Домашние Задания)
(Семинары)
Строка 18: Строка 18:
 
'''4) 8 Февраля 2017:''' Метод kNN [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar4_knn_pract.ipynb Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar4_knn_pract_proc.ipynb Что успели]) <br/>
 
'''4) 8 Февраля 2017:''' Метод kNN [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar4_knn_pract.ipynb Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar4_knn_pract_proc.ipynb Что успели]) <br/>
 
'''5) 15 Февраля 2017:''' Линейная регрессия, градиентный спуск [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar5_linreg_opt.ipynb Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar5_linreg_opt_proc.ipynb Что успели])<br/>
 
'''5) 15 Февраля 2017:''' Линейная регрессия, градиентный спуск [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar5_linreg_opt.ipynb Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar5_linreg_opt_proc.ipynb Что успели])<br/>
'''6-7) 22 Февраля, 1, 14 Марта 2017:''' Логистическая регрессия [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar6_linclass.ipynb Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar6_linclass_proc.ipynb Что успели])
+
'''6-8) 22 Февраля, 1, 14 Марта 2017:''' Логистическая регрессия [http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar6_linclass.ipynb Notebook] ([http://nbviewer.jupyter.org/github/shestakoff/minor_da_2017/blob/master/seminar6_linclass_proc.ipynb Что успели])
  
 
== Домашние Задания ==
 
== Домашние Задания ==

Версия 10:22, 17 марта 2017

Майнор по Анализу Данных -- ИАД-2

На данной странице будут вывешиваться последние новости и материалы для семинарских занятий группы ИАД-2

Семинарист: Шестаков Андрей shestakoffandrey@gmail.com
Ассистент: Чеснокова Полина
При обращении по почте, начинайте тему письма со слов [Майнор ИАД-2 2017]

Страница курса

Анонимные комментарии, замечания и пожелания можно оставить здесь

Семинары

1) 18 Января 2017: Введение + Повторение Python - IPython Notebook (Что успели)
2) 25 Января 2017: Спасательная операция по Numpy и Pandas - IPython Notebook (Что успели)
3) 1 Февраля 2017: Продолжаем спасательную операцию..
4) 8 Февраля 2017: Метод kNN Notebook (Что успели)
5) 15 Февраля 2017: Линейная регрессия, градиентный спуск Notebook (Что успели)
6-8) 22 Февраля, 1, 14 Марта 2017: Логистическая регрессия Notebook (Что успели)

Домашние Задания

ДЗ №0 (Необязательное, не учитывается в итоговой оценке). Срок - 12 февраля 2017.
ДЗ №1 Срок - 17 марта 2017.

Полезные ссылки (Будут пополняться)

Семинар 6

  1. On Logistic Regression with examples
  2. Perceptron Algorithm
  3. On Linear Classifiers

Семинар 5

  1. Про методы оптимизации в МО
  2. Gradient Descent Demo

Семинар 4

  1. Отличный блог для тех из вас, кто интересовался Computer Vision

Семинар 3

  1. Curse of Dimensionality

Семинар 2

  1. Visual Intro to ML
  2. ML in nutcell

Семинар 1 Pandas & Seaborn

  1. Pandas - На самом деле содержит всю необходимую инфу с примерами
  2. Effective Pandas - Учебник\туториал по Pandas
  3. NumPY, Pandas Cheat-Sheet
  4. Learning Data Science with Python - Неплохой практический курс по Python для анализа данных (MUST)
  5. Pandas Visualization
  6. Seaborn

Наборы данных

  1. Портал Открытых Данных РФ
  2. Funny Datasets
  3. Сборник Открытых Данных (!!!)
  4. Еще наборы данных

Python and etc.

  1. PEP-8 Code Style Guide Cheat-sheet
  2. Python Tutorials Point
  3. Matplotlib Tutorial
  4. Matrix Manipulation Cheat-sheet
  5. Ipython Notebook
  6. Beaker Notebook
  7. yhat Rodeo

Ресурсы и Книги

  1. James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning
  2. Bishop — Pattern Recognition and Machine Learning (первые главы)
  3. MachineLearning.ru
  4. Kaggle
  5. GoTo Hack!
  6. UCI Repo

Онлайн Курсы

  1. Andrew Ng's Course
  2. Introduction to ML
  3. Курс от ВШЭ
  4. Обзор МООС Курсов