Современные методы машинного обучения (курс майнора)/ИАД-7 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Домашние задания)
(Домашние задания)
 
(не показаны 4 промежуточные версии этого же участника)
Строка 27: Строка 27:
 
17 ноября. ''Сверточные нейронные сети для классификации изображений''. [http://keras.io Keras].
 
17 ноября. ''Сверточные нейронные сети для классификации изображений''. [http://keras.io Keras].
  
24 ноября. ''Случайные величины. Проверка гипотез, анализ зависимостей''. Ноутбуки: [https://github.com/grafft/hse-tasks/tree/master/minor-aml-16/sem9 1], [https://github.com/grafft/hse-tasks/tree/master/minor-aml-16/sem10 2]. Тест Стьюдента для роста и веса хокеистов: [https://github.com/cs-hse/ML_DM_HSE_minor/blob/master/module3_statistics_notebooks/seminar2_hypotheses/practice_hockey_players_height.ipynb ноутбук].
+
24 ноября. ''Случайные величины. Проверка гипотез, анализ зависимостей''. Ноутбуки: [https://github.com/cs-hse/ML_DM_HSE_minor/tree/master/module3_statistics_notebooks/seminar2_hypotheses тесты], [https://github.com/cs-hse/ML_DM_HSE_minor/tree/master/module3_statistics_notebooks/seminar3_correlations корреляция]. Тест Стьюдента для роста и веса хокеистов: [https://github.com/cs-hse/ML_DM_HSE_minor/blob/master/module3_statistics_notebooks/seminar2_hypotheses/practice_hockey_players_height.ipynb ноутбук].
 +
 
 +
1 декабря. ''Непараметрические тесты, корреляция.'' Ноутбуки (см. предыдущий семинар).
 +
 
 +
8 декабря. ''Прогнозирование временных рядов.'' [https://github.com/shahurik/hse-minor-ml/tree/master/seminar-time-series Ноутбук]
  
 
== Домашние задания ==
 
== Домашние задания ==
Строка 40: Строка 44:
  
 
ДЗ4. Анализ эффективности удержания. [http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)/ДЗ4 Формулировка]. Срок сдачи: 8 декабря.
 
ДЗ4. Анализ эффективности удержания. [http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)/ДЗ4 Формулировка]. Срок сдачи: 8 декабря.
 +
 +
ДЗ5. [http://wiki.cs.hse.ru/Современные_методы_машинного_обучения_(курс_майнора)/ДЗ5 Прогнозирование временного ряда]. Срок сдачи: 18 декабря.
  
 
== Полезные ссылки ==
 
== Полезные ссылки ==

Текущая версия на 14:52, 10 декабря 2016

Семинарист: Влад Шахуро shahurik@ya.ru
В начало темы писем добавляйте [ИАД].

Таблица с оценками

Семинары

15 сентября. Метод опорных векторов. Ядра. ноутбук

22 сентября. Оптимизация. Градиентный спуск. notebook, данные теория, пример град. спуска для линейной регрессии

29 сентября. Предобработка данных. ноутбук

6 октября. Нейронные сети. Введение. Tensorflow

13 октября. Бустинг. ноутбук

27 октября. Семинара не было.

3 ноября. Коллоквиум.

10 ноября. Бустинг, метод Ньютона. Конспект. (A short introduction to boosting, Воронцов cтр. 2-9, конспект про метод Ньютона, стр. 1).

17 ноября. Сверточные нейронные сети для классификации изображений. Keras.

24 ноября. Случайные величины. Проверка гипотез, анализ зависимостей. Ноутбуки: тесты, корреляция. Тест Стьюдента для роста и веса хокеистов: ноутбук.

1 декабря. Непараметрические тесты, корреляция. Ноутбуки (см. предыдущий семинар).

8 декабря. Прогнозирование временных рядов. Ноутбук

Домашние задания

ДЗ1. SVM и ядровые функции. Формулировка и данные. Срок сдачи: 2 октября.

ДЗ2. Предобработка данных и бустинг. Формулировка и данные. Срок сдачи: 25 октября.

Соревнование. Формулировка и критерии оценивания. Срок сдачи: 23 ноября.

ДЗ3. Центральная предельная теорема. Формулировка. Срок сдачи: 4 декабря. Ноутбуки: 1, 2.

ДЗ4. Анализ эффективности удержания. Формулировка. Срок сдачи: 8 декабря.

ДЗ5. Прогнозирование временного ряда. Срок сдачи: 18 декабря.

Полезные ссылки

Python

  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. UCI Repo
  6. Visual Intro to ML

Онлайн курсы

  1. Andrew Ng's Course
  2. Introduction to ML
  3. Learning Data Science with Python
  4. Курс от ВШЭ
  5. Обзор МООС Курсов